认识人工智能

CS 自学指南

这是一本中文计算机自学指南网站，作者以自身大学三年的自学经历为背景编写，并作为献给北大信科同学的礼物。内容分为使用指南、一份参考的 CS 学习规划、必学工具、经典书籍推荐以及国内外高质量 CS 课程汇总等部分，课程按数学基础、编程语言、系统、数据库、图形学、机器学习等方向分类，大部分课程配有独立仓库维护资源和作业实现。适合规划计算机方向自学路线的人参考。

AI 入门：自信地使用智能体

AI for Beginners: Use Agents With Confidence

Real Python 上的一门视频课程，作者 Sarah Jane Ross，共 25 课、约 1 小时 23 分钟，标为入门级。内容讲解 AI 智能体的实际运作方式，包括模型与执行框架（harness）的分工、上下文如何影响回答、使用前可核查智能体运行位置与可访问的数据、提问方式与适时重开对话、以及把任务打包为可复用技能；课程含交互式应用练习和导师指导环节，结尾为在 AI 助手中找出并修复五个设置问题。

Google 机器学习速成课程

Google Machine Learning Crash Course

Google 面向开发者提供的机器学习入门课程页面。页面说明该课程自 2018 年起已有大量学习者使用，并推出了覆盖近期 AI 进展、更侧重互动学习的新版。内容按主题组织，列出线性回归、逻辑回归、分类、数值数据处理、类别数据处理等模块，其中线性回归部分涉及线性模型、损失、梯度下降与超参数调优，分类部分涉及阈值、混淆矩阵、准确率、精确率、召回率与 AUC。

机器学习专业课程（Coursera）

Machine Learning Specialization（Coursera）

这是 Coursera 上由 Andrew Ng 等讲授的“机器学习专业课程”页面，共 3 门课，号称适合初学者的入门级课程，页面显示已有 854,778 人报名、课程评分 4.9（39,437 条评价），约 2 个月、每周 10 小时的灵活进度。学习内容涵盖用 NumPy 和 scikit-learn 构建模型、线性与逻辑回归、用 TensorFlow 训练神经网络做多分类、决策树与集成方法、聚类与异常检测、协同过滤推荐系统以及深度强化学习。适合机器学习零基础、想系统入门的自学者了解课程内容。

机器学习/AI 的 Hello World：从随机森林到 RLVR

ML/AI Hello Worlds: From RF to RLVR

Sebastian Raschka 的博客文章，延续他每两年整理一次的“Hello World”入门示例清单，列出 2013 至 2025 年的代表性最小示例，包括 Iris 数据集上的随机森林、Titanic 上的 XGBoost、MNIST 上的多层感知机、CIFAR-10 上的 AlexNet、IMDb 影评上的 DistilBERT、Alpaca 50k 上用 LoRA 微调的 Llama 2，以及 MATH-500 上用 RLVR 的 Qwen3，并逐一给出背景说明和代码示例出处。

理解人工智能

Understanding AI

Manning Publications 出版的一本面向入门读者的生成式人工智能书籍，作者为 Matthew Berman、Nicholas Wentz 与 Angelica Lo Duca，共 225 页，预计出版日期为 2027-03-15，尚未出版。书中内容源自作者 Matthew Berman 的 YouTube 视频，从大语言模型如何生成文本讲起，并涉及提示工程等话题，声称不依赖大量数学、代码或技术术语。简介提到读者对象为希望了解 AI 模型、应用与 agent 工作方式的专业人士、教育工作者、管理者、学生和内容创作者。

机器学习图解（第二版）

Grokking Machine Learning, Second Edition

这是 Manning Publications 出版的图书第二版，作者为 Luis G. Serrano，共 525 页，预计 2026 年 12 月 15 日出版，目前尚未出版。简介称新版新增对 LLM、Transformer 与生成式 AI 的覆盖，包括生成式 AI 新章节、Transformer 架构的直观讲解、LLM 训练与微调说明，以及扩充的 XGBoost 内容、新练习与新示例。

AI 工程实验室（24 周 AI 工程自学课程）

Zorost Intelligence AI Lab 发布的一套免费、自定进度的 24 周 AI 工程课程仓库，采用 MIT 许可，无需注册。内容覆盖 Python、机器学习、LLM、RAG、微调、Agent 与 MCP，以及 Azure、Vertex、Bedrock 和 Databricks 等平台，包含 43 个可运行的 notebook 和一个贯穿全程的案例研究。README 提供克隆安装步骤，并指引编程或 AI 新手先阅读 START-HERE.md。

UC Berkeley CS188：人工智能导论（2026 秋）

加州大学伯克利分校 CS188 课程 2026 年秋季学期主页，授课教师为 Emma Pierson 和 Peyrin Kao，周一、周三 14:00–15:30 在 The Gateway Building 1210 上课，并提供 Zoom、录播播放列表及面向注册学生的录播图库。页面公告栏包含第 9 周通知：Project 3 DUE 的预约时段已发布，涉及 DUE 要求的说明与指南链接；期中成绩已在 Gradescope 发布，并给出重新评分申请的截止时间为 10 月 27 日 23:59（太平洋时间）及申请方式。

斯坦福 CS221：人工智能：原理与技术（2026 春）

斯坦福大学 2026 年春季 CS221 人工智能原理与技术课程主页，授课教师包括 Moses Charikar，上课时间为周一、周三 10:30–12:00（Hewlett 200），周五 10:30–11:20 设习题课。页面说明课程组织方式：全部内容拆分为包含幻灯片、录像和讲义的小模块；课程讲授以更慢、更互动的形式覆盖主要模块，所有课程均有录像；另有习题课、作业互助小组、一对一答疑（分作业答疑与内容答疑两类）等活动及其时间地点安排。页面还提供课程日历、模块、课程作业、日程等导航链接及往期课程链接，并说明一般问题使用 Ed 提问、私人事务通过邮件联系。

CMU 10-301/10-601：机器学习导论（2026 秋）

卡内基梅隆大学 2026 年秋季 10-301/10-601 机器学习导论课程主页，授课教师为 Matt Gormley 和 Bryan Wilder。页面说明课程系统讲授现代机器学习的方法论、数学与算法，并列出课程规模：26 讲、9 次作业、3 次编程测试、3 次考试，以及两个分段的上课时间。已公开的课程模块按主题排布，包括分类与回归（机器学习作为函数逼近、决策树、过拟合与 k 近邻、模型选择与实验设计）、线性模型（感知机、线性回归、机器学习中的优化、随机梯度下降与逻辑回归、特征工程）等，并配有编程实验和习题课安排。

NTU Hung-yi Lee (李宏毅)（2026 春）

台湾大学李宏毅教授的个人主页，当前页面标注的学期为 2026 春。页面包含他的简介（台大硕士与博士，2012–2013 年在中央研究院资讯科技创新研究中心做博士后，2013–2014 年访问 MIT CSAIL 口语系统组）、研究方向（交互式检索强化学习、风格可控聊天机器人、无监督语音识别、口语内容检索与理解、口语问答）以及办公室、实验室和邮箱等信息。

scikit-learn 入门指南

scikit-learn Getting Started

这是 scikit-learn 官方文档的入门页面，介绍这一开源机器学习库的主要功能，包括监督学习与无监督学习，以及模型拟合、数据预处理、模型选择与评估等工具。页面包含拟合与预测的基本示例，如用 fit 方法训练 RandomForestClassifier，并说明了输入样本矩阵的形状约定。页面说明本指南假定读者具备机器学习实践的基础知识，如模型拟合、预测和交叉验证。

《统计学习导论：基于 Python 的应用》

An Introduction to Statistical Learning with Applications in Python

页面是《An Introduction to Statistical Learning》一书的官方网站，可下载 R 版与 Python 版教材。书中以较少技术化的方式覆盖统计学习主要主题，章节包括回归、分类、重采样方法、线性模型选择与正则化、非线性方法、树方法、支持向量机、深度学习、生存分析、无监督学习和多重检验，每章末尾附有 R 或 Python 实验。R 版首版于 2013 年、第二版于 2021 年，Python 版于 2023 年出版。适合希望用当代工具做数据分析的读者使用。

CS229 监督学习简明指南（中文）

斯坦福 CS229 机器学习课程的监督学习复习速查表中文版，作者为 Afshine Amidi 与 Shervine Amidi，中文版由 Wang Hongnian 翻译。内容按主题压缩呈现：预测类型与模型类型对比、符号与一般概念、损失函数与成本函数、梯度下降、似然、线性与逻辑回归、广义线性模型、支持向量机与核方法、生成学习（高斯判别分析、朴素贝叶斯）、树与集成方法（CART、随机森林、提升）、k-NN，以及学习理论（Hoeffding 不等式、PAC、VC 维）。页面提供 GitHub 上的 PDF 版本，并有监督学习、无监督学习、深度学习、提示和技巧等姊妹速查表入口。适合已接触机器学习基础概念、需要对监督学习要点做快速回顾的人查阅。

UC Berkeley CS189/289A：机器学习导论（2026 春）

这是加州大学伯克利分校 CS189/289A 机器学习导论课程 2026 年春季学期的课程网站，由 Jennifer Listgarten 和 Alex Dimakis 授课，页面包含日程表、讲义材料、讨论课与作业链接。课程安排显示第 1 周从“引入与机器学习问题界定”开始，随后涉及数据工具、机器学习机制与术语、聚类与概率复习等主题，并配有推荐阅读、讲义 PDF 与视频以及作业。适合想系统学习机器学习基础的人参考课程内容。

Stanford CS229 Machine Learning | Spring 2026

一个 YouTube 播放列表，收录斯坦福研究生课程 CS229 机器学习 2026 春季学期的课堂录像，共 17 讲。材料列出的前 8 讲标题涵盖课程介绍、监督学习设置、加权最小二乘、指数族与 GLM 分类、高斯判别分析、数据集划分与机器学习建议、神经网络架构等。课程内容为机器学习与统计模式识别的广泛导论，涉及监督学习、无监督学习、学习理论与强化学习，以及机器人控制、数据挖掘、语音识别等应用。

Stanford CS229: Machine Learning（2026 夏）

斯坦福 CS229 机器学习课程 2026 夏季学期的课程主页，授课教师为 Jehangir Amjad 和 Anand Avati，并列出助教名单。页面给出课程介绍（监督学习、无监督学习、学习理论、强化学习及各类应用）、上课时间地点（周二、周四 16:30–18:15，NVIDIA Auditorium）以及先修要求：具备 Python/NumPy 编程能力（相当于 CS106A/B）、概率论（相当于 CS109 或 MATH151）、多变量微积分与线性代数（相当于 MATH51 或 CS205L）。相关链接需用斯坦福邮箱登录访问。

Stanford CS224N：基于深度学习的自然语言处理（2026 冬）

斯坦福大学 2026 年冬季 CS224N《Natural Language Processing with Deep Learning》课程网站，授课教师为 Diyi Yang 与 Yejin Choi，并列出课程管理人员和助教名单。课程介绍称近年深度学习方法在许多 NLP 任务上取得很高表现，学生将获得对前沿 NLP 神经网络的系统入门。讲座为太平洋时间周二、周四 16:30–17:50，在 NVIDIA Auditorium 举行并通过 Canvas 上的 Panopto 直播；选修学生的录播需登录 Canvas，非选修者无法观看，但 2024 年版完整课程视频在 YouTube 免费公开。

专家与 AI 协作时易被 agent 立场牵引

这是一条 X 帖子，Ethan Mollick 引述一项研究结论：与 AI agent 合作的专家会受到 AI 所持立场的影响，即使他们自认为在独立工作。他在帖中建议，如果某项任务上的独立判断很重要，就需要刻意安排在整个流程的哪个环节使用 AI。材料中未提供更多研究细节或数据。适合在研究、评估或决策流程中使用 AI 助手并关心判断独立性的人关注。

AI 智能体如何影响专家的判断决策

How AI agents shape experts’ judgment calls

Anthropic 的一篇研究文章，报告了一项随机试验：50 名有因果推断经验的专业分析师使用 Claude Code 完成一项真实的统计分析任务。结果显示，当智能体被随机设定偏向某个选项时，分析师有 86% 的情况选择了该选项；文章据此讨论这对 AI 辅助工作中人类监督意味着什么。

GTC 柏林 2026：NVIDIA CEO 黄仁勋主题演讲实时更新

GTC Berlin 2026: Live Updates From NVIDIA CEO Jensen Huang’s Keynote

这是 NVIDIA 官方博客对 GTC 柏林 2026 主题演讲的实时报道。文章介绍大会在柏林举行、为期三天、包含 100 多场关于智能体 AI、机器人、物理 AI、开放模型与加速计算的会议，并记录黄仁勋开场提到多家欧洲企业与 NVIDIA 的 AI 合作、公司对欧洲技术生态近 100 亿美元的投入，以及“AI 五层蛋糕”的表述。