人工智能学习-理论-应用

快速上手人工智能理论及应用实战：基础知识、机器学习、深度学习2、自然语言处理BERT，持续更新中。含大量注释及数据集，力求每一位能看懂并复现。

学习章节：

• 必备数学基础Basic knowledge
  • 高等数学基础
  • 微积分
  • 泰勒公式
  • 线性代数基础
  • 随机变量
  • 概率论基础
  • 数据科学的几种分布
  • 核函数
  • 熵和激活函数
  • 回归分析
  • 假设检验
  • 相关分析
  • 方差分析
  • KMEANS算法
  • 贝叶斯分析
• 大模型Large Language Model
  • 人人都能看懂的Transformer
    • 第一章——Transformer网络架构
    • 第二章——文字向量化
    • 第三章——位置编码
    • 第四章——多头注意力机制——QK矩阵相乘
    • 第六章——数值缩放
    • 第七章——前馈神经网络
    • 第八章——最后的输出
  • LLM大模型竞赛实战_优胜解决方案
    • 2024金融行业·大模型挑战赛
• 机器学习MachineLearning
  • 机器学习竞赛实战_优胜解决方案
    • 信用卡欺诈检测（含数据集）
    • 工业化工生产预测（含数据集）
    • 智慧城市-道路通行时间预测（含数据集）
    • 建筑能源利用率预测（含数据集）
    • Indoor Location & Navigation（数据集在kaggle）
    • 第三届阿里云磐久智维算法大赛（数据集在天池）
    • 机器学习实战小项目（含数据集）
  • 机器学习算法原理及推导
    • 李航——统计学习方法
    • 李宏毅——异常检测
• 深度学习入门DeepLearning
  • 深度学习必备知识点
  • 走进深度学习的世界 神经网络模型
  • 卷积神经网络
  • 递归神经网络与词向量原理解读
  • LSTM网络架构与情感分析应用实例
  • 快手用户活跃预测（含数据集）
  • ACM SIGSPATIAL 2021预估到达时间（含数据集）
• NLP通用框架BERT项目实战
  • NLP通用框架BERT原理解读
  • BERT源码解读与应用实例
  • 基于BERT的中文情感分析实战.md

  关于博主

  曾获得第二届腾讯 Light 公益挑战赛大满贯、第三届磐久智维算法大赛亚军，以及各类比赛的前10名，同时也是一名 Kaggle 大师。希望这里的内容能对大家有所帮助，祝大家学习愉快🎉

  说明

  本专题不用于商业用途，转载请注明出处，如有侵权请务必通过邮件联系作者。

  如果文中或代码中存在遗漏或错误之处，欢迎指正，非常感谢。

  邮箱：909336740@qq.com

  许可协议

  本文所使用的许可协议详见 LICENSE

AiLearning-Theory-Applying 快速上手指南

本指南旨在帮助开发者快速开始使用 AiLearning-Theory-Applying 项目，涵盖从数学基础到大模型（LLM）实战的全流程学习资源。本项目以“人人能看懂、可复现”为核心，提供大量注释代码及配套数据集。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows / macOS / Linux
• Python 版本：推荐 Python 3.8 或更高版本
• 核心依赖库：
  • numpy, pandas, matplotlib (数据处理与可视化)
  • scikit-learn (机器学习算法)
  • torch 或 tensorflow (深度学习框架，根据具体章节需求选择)
  • transformers (大模型与 NLP 相关章节)
• 运行环境：推荐使用 Jupyter Notebook 或 Jupyter Lab 运行 .ipynb 文件，以便交互式查看注释和结果。

国内加速建议： 安装依赖时，建议使用清华源或阿里源以提升下载速度：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

本项目主要为学习资料与代码实现，无需复杂的编译安装，只需克隆仓库并安装依赖即可。

1. 克隆项目仓库

   git clone https://github.com/ben1234560/AiLearning-Theory-Applying.git
   cd AiLearning-Theory-Applying
   

2. 安装基础依赖 如果项目根目录包含 requirements.txt，请直接运行：

   pip install -r requirements.txt
   

   若未找到统一依赖文件，可根据需要学习的章节手动安装核心库：

   # 基础数据科学与机器学习
   pip install numpy pandas matplotlib scikit-learn jupyter
   
   # 深度学习与大模型 (按需安装)
   pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
   pip install transformers datasets
   

3. 获取数据集 部分章节（如信用卡欺诈检测、工业预测等）包含内置数据集，直接位于对应文件夹内。

   • 对于标记为“数据集在 Kaggle/天池”的项目，请访问对应链接下载数据，并放入该章节指定的目录中。

基本使用

本项目按模块组织，您可以根据学习目标直接进入对应文件夹运行笔记。

1. 巩固数学基础

进入 notebook_必备数学基础 目录，打开任意章节的 .ipynb 文件（如假设检验、回归分析），逐行运行代码以理解公式推导。

cd notebook_必备数学基础/假设检验章节
jupyter notebook .

2. 机器学习实战

以“信用卡欺诈检测”为例，进入对应目录并运行示例：

cd 机器学习竞赛实战_优胜解决方案/信用卡欺诈检测
jupyter notebook *.ipynb

在 Notebook 中，按照单元格顺序执行，即可看到数据预处理、模型训练及评估的全过程。

3. 大模型 (Transformer) 学习

进入 人人都能看懂的 Transformer 目录，从第一章开始系统学习：

cd 人人都能看懂的 Transformer
jupyter notebook 第一章——Transformer 网络架构.md

注：部分理论章节可能为 Markdown 格式，可直接在 GitHub 或本地编辑器阅读；涉及代码实现的章节请运行对应的 .ipynb 文件。

4. 深度学习入门

进入 深度学习入门 目录，体验卷积神经网络 (CNN) 或 LSTM 情感分析实例：

cd 深度学习入门
# 运行情感分析实例
jupyter notebook 第五章——LSTM 网络架构与情感分析应用实例/*.ipynb

---

提示：所有代码均包含详细中文注释，建议在运行过程中仔细阅读注释部分，以深入理解算法原理与应用细节。