AI-Practices：机器学习与深度学习实战教程

学完你能

• 用 Python 实现线性回归、逻辑回归、SVM、决策树、集成学习与聚类降维等机器学习基础算法
• 用 Keras 搭建并训练神经网络，掌握优化器、正则化与数据管道
• 实现 CNN、迁移学习与目标检测，理解经典视觉架构的演进
• 实现 RNN/LSTM 与 Transformer，处理序列与文本任务
• 实现 VAE、GAN、Diffusion 等生成模型以及 DQN、PPO、SAC 等强化学习算法
• 了解大语言模型与多模态方向的基本内容（模块目录列出 Transformer、GPT/LLaMA、LoRA、RAG、Agent、CLIP、Stable Diffusion、Whisper、TTS 等主题）
• 完成部署优化相关实践（模块目录列出量化剪枝、TensorRT、FastAPI、MLOps 等主题）
• 参考 09-practical-projects 中的 Kaggle 竞赛与集成项目做综合练习

适合你吗

课程特点

内容侧重

理论与实践结合

练习与项目

各模块目录中的 Notebook 可先抄跑再改写；README 提到 09-practical-projects 含 Kaggle 竞赛与跨模块集成系统，可作为综合练习，运行时注意本地算力是否足够。

学习时长

14 个课节原站未给出统一学习时长；实际用时取决于已有基础。

内容费用

免费公开 GitHub 仓库，节选中可直接读到 README 的模块架构与 01–03 模块的详细说明及文件清单，未见付费或登录限制。

内容覆盖

• 01-foundations｜机器学习基础：线性模型、SVM、决策树、集成学习、降维、聚类；子模块为模型训练基础、分类、支持向量机、决策树、集成学习、降维、无监督学习、完整 ML 项目
• 02-neural-networks｜神经网络：子模块为 Keras 入门、训练深度网络、自定义模型与训练循环、数据加载与预处理
• 03-computer-vision｜计算机视觉：子模块为 CNN 基础、经典架构、迁移学习、可视化
• 04-sequence-models｜序列模型（README 架构部分标注 RNN/LSTM、Attention、Transformer，详细模块说明在节选中未提供）
• 05-advanced-topics｜高级专题（README 架构部分标注函数式 API、回调函数、模型优化，详细模块说明在节选中未提供）
• 06-generative-models｜生成模型（README 架构部分标注 VAE、GAN、Diffusion Models，详细模块说明在节选中未提供）
• 07-reinforcement-learning｜强化学习（README 架构部分标注 DQN、PPO、SAC、Actor-Critic，详细模块说明在节选中未提供）
• 08-theory-notes｜理论笔记（README 架构部分标注激活函数、损失函数、架构速查，详细模块说明在节选中未提供）
• 09-practical-projects｜实战项目（README 架构部分标注 Kaggle 竞赛、游戏 AI、跨模块集成系统，详细模块说明在节选中未提供）
• 10-large-language-models｜大语言模型（README 架构部分标注 Transformer、GPT/LLaMA、LoRA、RAG、Agent，详细模块说明在节选中未提供）
• 11-multimodal-learning｜多模态学习（README 架构部分标注 CLIP、Stable Diffusion、Whisper、TTS，详细模块说明在节选中未提供）
• 12-deployment-optimization｜部署优化（README 架构部分标注量化剪枝、TensorRT、FastAPI、MLOps，详细模块说明在节选中未提供）
• 13-distributed-training｜分布式训练（仅见于 README 架构概述与目录列表，详细模块说明在节选中被截断，未见正文）
• 14-agents-reasoning｜智能体系统（仅见于 README 架构概述与目录列表，详细模块说明在节选中被截断，未见正文）