AI/智能开发教程

AI 简介

人工智能（Artificial Intelligence，AI）是计算机科学的一个分支，旨在创建能够模拟人类智能的系统。它涵盖机器学习、深度学习、自然语言处理、计算机视觉等多个领域。

AI 的发展历程

阶段	时间	主要特点
萌芽期	1956-1974	符号主义、专家系统
低谷期	1974-1980	AI 寒冬
复兴期	1980-1993	神经网络复兴
现代AI	2012-至今	深度学习、大数据

AI 开发环境搭建

Python 环境

bash

# 创建虚拟环境
python -m venv ai_env
source ai_env/bin/activate  # Linux/Mac
ai_env\Scripts\activate     # Windows

# 安装核心库
pip install numpy pandas matplotlib scikit-learn tensorflow torch

常用 AI 框架

框架	用途	特点
TensorFlow	深度学习	Google 开源，功能全面
PyTorch	深度学习	Facebook 开源，动态图
scikit-learn	机器学习	经典算法库
JAX	数值计算	Google 开源，自动微分

机器学习基础

监督学习

python

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 数据准备
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估
mse = mean_squared_error(y_test, y_pred)

无监督学习

python

from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs

# 生成数据
X, _ = make_blobs(n_samples=100, centers=3)

# 创建聚类模型
kmeans = KMeans(n_clusters=3)

# 训练并预测
labels = kmeans.fit_predict(X)

模型评估

python

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 分类评估
accuracy = accuracy_score(y_true, y_pred)
precision = precision_score(y_true, y_pred)
recall = recall_score(y_true, y_pred)
f1 = f1_score(y_true, y_pred)

深度学习入门

TensorFlow 基础

python

import tensorflow as tf

# 创建模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=10, batch_size=32)

# 评估
loss, accuracy = model.evaluate(x_test, y_test)

PyTorch 基础

python

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(784, 64)
        self.fc2 = nn.Linear(64, 10)
    
    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

model = SimpleNN()

# 训练配置
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练循环
for epoch in range(10):
    optimizer.zero_grad()
    outputs = model(inputs)
    loss = criterion(outputs, labels)
    loss.backward()
    optimizer.step()

自然语言处理

文本预处理

python

import re

def preprocess_text(text):
    # 转换为小写
    text = text.lower()
    # 去除特殊字符
    text = re.sub(r'[^\w\s]', '', text)
    # 分词
    tokens = text.split()
    return tokens

使用 Transformers

python

from transformers import BertTokenizer, BertModel

# 加载预训练模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertModel.from_pretrained('bert-base-uncased')

# 编码文本
text = "Hello, world!"
inputs = tokenizer(text, return_tensors='pt')

# 获取嵌入
outputs = model(**inputs)
embeddings = outputs.last_hidden_state

计算机视觉

图像处理基础

python

import cv2
import numpy as np

# 读取图像
image = cv2.imread('image.jpg')

# 转换为灰度
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 边缘检测
edges = cv2.Canny(gray, 100, 200)

使用 CNN

python

import tensorflow as tf

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

AI 工程实践

数据预处理

python

import pandas as pd
from sklearn.preprocessing import StandardScaler, OneHotEncoder

# 加载数据
df = pd.read_csv('data.csv')

# 处理缺失值
df = df.fillna(df.mean())

# 标准化数值特征
scaler = StandardScaler()
df['numeric_feature'] = scaler.fit_transform(df[['numeric_feature']])

# 独热编码分类特征
encoder = OneHotEncoder()
encoded = encoder.fit_transform(df[['category']]).toarray()

模型部署

python

import joblib

# 保存模型
joblib.dump(model, 'model.pkl')

# 加载模型
loaded_model = joblib.load('model.pkl')

# 预测
result = loaded_model.predict(X_new)

AI/智能开发教程

AI 简介

AI 的发展历程

AI 开发环境搭建

Python 环境

常用 AI 框架

机器学习基础

监督学习

无监督学习

模型评估

深度学习入门

TensorFlow 基础

PyTorch 基础

自然语言处理

文本预处理

使用 Transformers

计算机视觉

图像处理基础

使用 CNN

AI 工程实践

数据预处理

模型部署

AI 伦理与安全

常见问题

最佳实践

AI/智能开发教程 ​

AI 简介 ​

AI 的发展历程 ​

AI 开发环境搭建 ​

Python 环境 ​

常用 AI 框架 ​

机器学习基础 ​

监督学习 ​

无监督学习 ​

模型评估 ​

深度学习入门 ​

TensorFlow 基础 ​

PyTorch 基础 ​

自然语言处理 ​

文本预处理 ​

使用 Transformers ​

计算机视觉 ​

图像处理基础 ​

使用 CNN ​

AI 工程实践 ​

数据预处理 ​

模型部署 ​

AI 伦理与安全 ​

常见问题 ​

最佳实践 ​

AI/智能开发教程

AI 简介

AI 的发展历程

AI 开发环境搭建

Python 环境

常用 AI 框架

机器学习基础

监督学习

无监督学习

模型评估

深度学习入门

TensorFlow 基础

PyTorch 基础

自然语言处理

文本预处理

使用 Transformers

计算机视觉

图像处理基础

使用 CNN

AI 工程实践

数据预处理

模型部署

AI 伦理与安全

常见问题

最佳实践