人工智能入门

学习人工智能（AI）是一个既刺激又富有挑战的旅程，它将带领你进入一个充满创新和发现的世界。如果你想开始学习AI，这里有一份详细的学习路径指南，可以帮助你从基础概念到实际应用，逐步建立起你的AI知识体系。1.了解AI基本概念：首先，建议阅读「[从这里启程](https://waytoagi.feishu.cn/wiki/PFXnwBTsEiGwGGk2QQFcdTWrnlb?table=blkjooAlLFNtvKJ2)」部分，熟悉AI的术语和基础概念。了解什么是人工智能，它的主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。浏览入门文章，这些文章通常会介绍AI的历史、当前的应用和未来的发展趋势。1.开始AI学习之旅：在「[入门：AI学习路径](https://waytoagi.feishu.cn/wiki/ZYtkwJQSJiLa5rkMF5scEN4Onhd?table=tblWqPFOvA24Jv6X&view=veweFm2l9w)」中，你将找到一系列为初学者设计的课程。这些课程将引导你了解生成式AI等基础知识，特别推荐李宏毅老师的课程。通过在线教育平台（如Coursera、edX、Udacity）上的课程，你可以按照自己的节奏学习，并有机会获得证书。1.选择感兴趣的模块深入学习：AI领域广泛（比如图像、音乐、视频等），你可以根据自己的兴趣选择特定的模块进行深入学习。

原文链接：https://a16z.com/2023/06/21/the-getting-started-with-ai-stack-for-javascript/翻译：通往AGI之路，若有瑕疵之处，请在段落评论中斧正，谨此致谢发表时间：2023年6月21日如果不使用新的软件基础设施技术，很难理解它们。至少，这是a16z基础设施团队的发现-因为我们中的许多人的职业生涯都是从程序员开始的，我们通常通过实践学习。这在生成式人工智能浪潮中尤为明显，这股浪潮来得如此之快、如此壮观，以至于好的文档通常落后于代码几个月。因此，为了更好地理解这个领域，我们围绕大型语言模型（LLM）、大型图像模型、向量数据库等建立了一些项目。在这个过程中，我们注意到由于所有这些都是如此新颖且变化如此迅速，实际上没有好的框架可以快速入门。每个项目都需要大量的样板代码和集成。坦率地说，这很麻烦。因此，我们着手创建一个非常简单的[“入门人工智能”模板](https://github.com/a16z-infra/ai-getting-started)，供那些想要尝试核心技术但又不想过多考虑授权、托管和工具选择等辅助问题的人使用。

译者：Miranda，课程原网址https://microsoft.github.io/AI-For-Beginners/通过微软为期12周、共24课时的课程，一起来探索人工智能（AI）的世界！在本课程中，你将深入学习符号人工智能（Symbolic AI）、神经网络（Neural Networks）、计算机视觉（Computer Vision）、自然语言处理（Natural Language Processing）等内容。如果想提升学习效果，可以亲身实践课程内容、做随堂小测试或根据课程内容开展实验。这套课程是由专家设计的人工智能综合指南，它非常适合初学者，覆盖了TensorFlow、PyTorch及人工智能伦理原则。今天就开始你的人工智能之旅吧！在本课程中，你将学到：实现人工智能的不同方法，包括使用了知识表示和推理的符号人工智能，它是一种“有效的老式人工智能”（[GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)）。神经网络和深度学习，它们是现代人工智能的核心，我们将使用两个最流行的框架（[TensorFlow](https://www.tensorflow.org/)和[PyTorch](https://pytorch.org/)）中的代码来说明这两个主题背后的重要概念。处理图像和文本的神经架构，我们将介绍最新的模型，但在最前沿的信息上可能会有所欠缺。不太流行的人工智能方法，如遗传算法（Genetic Algorithms）和多智能体系统（Multi-Agent Systems）。