AI 实战-practicalAI 中文版

让你有能力使用机器学习从数据中获取有价值的见解。

• 🔥 使用 PyTorch 实现基本的机器学习算法和深度神经网络。
• 🖥️ 不需要任何设置，在浏览器中使用 Google Colab 运行所有程序。
• 📦 不仅仅是教程，而是学习产品级的面向对象机器学习编程。

代码库

基础	深度学习	进阶	主题
📓 Notebooks	🔥 PyTorch	📚 高级循环神经网络 Advanced RNNs	📸 计算机视觉 Computer Vision
🐍 Python	🎛️ 多层感知 Multilayer Perceptrons	🏎️ 高速公路与残差网络 Highway and Residual Networks	⏰ 时间序列分析 Time Series Analysis
🔢 NumPy	🔎 数据和模型 Data & Models	🔮 自编码器 Autoencoders	🏘️ 主题建模 Topic Modeling
🐼 Pandas	📦 面向对象的机器学习 Object-Oriented ML	🎭 生成对抗网络 Generative Adversarial Networks	🛒 推荐系统 Recommendation Systems
📈 线性回归 Linear Regression	🖼️ 卷积神经网络 Convolutional Neural Networks	🐝 空间变换模型 Spatial Transformer Networks	🗣️ 预训练语言模型 Pretrained Language Modeling
📊 逻辑回归 Logistic Regression	📝 嵌入层 Embeddings		🤷 多任务学习 Multitask Learning
🌳 随机森林 Random Forests	📗 递归神经网络 Recurrent Neural Networks		🎯 少样本学习 Low Shot Learning
💥 k-均值聚类 KMeans Clustering			🍒 强化学习 Reinforcement Learning

查看代码库

如果不需要运行笔记本，使用 Jupyter nbviewer 就可以方便地查看它们。

将 https://github.com/ 替换为 https://nbviewer.jupyter.org/github/ ，或者打开 https://nbviewer.jupyter.org 并输入笔记本的 URL。

运行代码库

1. 在本项目的 notebooks 文件夹获取笔记本；
2. 你可以在 Google Colab（推荐）或本地电脑运行这些笔记本；
3. 点击一个笔记本，然后替换 URL 地址中 https://github.com/ 为 https://colab.research.google.com/github/ ，或者使用这个 Chrome 扩展 一键完成；
4. 登录你自己的 Google 账户；
5. 点击工具栏上的 复制到云端硬盘，会在一个新的标签页打开笔记本；

5. 通过去掉标题中的副本完成笔记本重命名；
6. 运行代码、修改等，所有这些都会自动保存到你的个人 Google Drive。

贡献代码库

1. 修改后下载 Google Colab 笔记本为 .ipynb 文件；

2. 转到 https://github.com/LisonEvf/practicalAI-cn/tree/master/notebooks ；
3. 点击 Upload files.

5. 上传这个 .ipynb 文件；
6. 写一个详细的提交标题和说明；
7. 适当命名你的分支；
8. 点击 提议更改。

贡献列表

欢迎任何人参与和完善。

Notebook	译者
00_Notebooks.ipynb	@amusi
01_Python.ipynb	@amusi
02_NumPy.ipynb	@amusi
03_Pandas.ipynb	@amusi
04_Linear_Regression.ipynb	@jasonhhao
05_Logistic_Regression.ipynb	@jasonhhao
06_Random_Forests.ipynb	@jasonhhao
07_PyTorch.ipynb	@amusi
08_Multilayer_Perceptron.ipynb	@zhyongquan
09_Data_and_Models.ipynb	@zhyongquan
10_Object_Oriented_ML.ipynb	@zhyongquan
11_Convolutional_Neural_Networks.ipynb
12_Embeddings.ipynb	@wengJJ
13_Recurrent_Neural_Networks.ipynb
14_Advanced_RNNs.ipynb
15_Computer_Vision.ipynb

practicalAI-cn 快速上手指南

环境准备

本项目旨在通过浏览器零配置运行机器学习教程，推荐优先使用云端环境。

• 推荐环境（Google Colab）：
  • 任意现代浏览器（Chrome 推荐）。
  • 有效的 Google 账户。
  • 无需本地安装 Python 或依赖库。
• 本地环境（可选）：
  • Python 3.x
  • Jupyter Notebook / JupyterLab
  • 相关依赖库（PyTorch, NumPy, Pandas 等）

安装步骤

本项目为开源教程仓库，无需传统意义上的软件安装，主要通过以下步骤访问和部署 Notebook：

1. 访问项目仓库 打开项目主页：https://github.com/LisonEvf/practicalAI-cn

2. 在 Google Colab 中运行 找到目标 Notebook 链接，将 URL 中的 https://github.com/ 替换为 https://colab.research.google.com/github/。

   例如，将：

   https://github.com/LisonEvf/practicalAI-cn/blob/master/notebooks/01_Python.ipynb
   

   修改为：

   https://colab.research.google.com/github/LisonEvf/practicalAI-cn/blob/master/notebooks/01_Python.ipynb
   

   或者使用 Chrome 扩展 Open in Colab 一键转换。

3. 保存副本

   • 登录你的 Google 账户。
   • 点击工具栏上的 文件 > 保存到云端硬盘 (File > Save a copy in Drive)。
   • 在新标签页打开 Notebook，去掉标题中的“副本”字样完成重命名。

基本使用

查看 Notebook

若仅需阅读代码而不需运行，可使用 Jupyter nbviewer 查看：

• 访问：https://nbviewer.jupyter.org
• 输入 Notebook 的 GitHub URL 即可预览。

运行与修改

1. 在 Colab 界面中，按顺序点击单元格并运行代码。
2. 所有修改和输出会自动保存到你的个人 Google Drive。
3. 支持直接修改代码进行实验，无需担心环境污染。

学习路径建议

根据 README 分类，建议按以下顺序学习：

1. 基础：Python, NumPy, Pandas
2. 机器学习：线性回归，逻辑回归，随机森林
3. 深度学习：PyTorch, 多层感知机，CNN, RNN
4. 进阶主题：计算机视觉，时间序列分析，强化学习