\[ \begin{align}\begin{aligned}\newcommand{\ba}{\boldsymbol{a}}
\newcommand{\bb}{\boldsymbol{b}}
\newcommand{\be}{\boldsymbol{e}}
\newcommand{\bw}{\boldsymbol{w}}
\newcommand{\bx}{\boldsymbol{x}}
\newcommand{\by}{\boldsymbol{y}}
\newcommand{\bz}{\boldsymbol{z}}
\newcommand{\bd}{\boldsymbol{d}}
\newcommand{\bv}{\boldsymbol{v}}
\newcommand{\bs}{\boldsymbol{s}}\\\newcommand{\btheta}{\boldsymbol{\theta}}
\newcommand{\bbeta}{\boldsymbol{\beta}}
\newcommand{\bgamma}{\boldsymbol{\gamma}}
\newcommand{\bsigma}{\boldsymbol{\sigma}}
\newcommand{\md}{\mbox{d}}
\newcommand{\bmu}{\boldsymbol{\mu}}
\newcommand{\bone}{\boldsymbol{1}}
\newcommand{\trans}{^{\rm\scriptsize T}}
\newcommand{\var}{\mathrm{var}}\\\newcommand{\bA}{\boldsymbol{A}}
\newcommand{\bB}{\boldsymbol{B}}
\newcommand{\bC}{\boldsymbol{C}}
\newcommand{\bD}{\boldsymbol{D}}
\newcommand{\bG}{\boldsymbol{G}}
\newcommand{\bI}{\boldsymbol{I}}
\newcommand{\bM}{\boldsymbol{M}}
\newcommand{\bP}{\boldsymbol{P}}
\newcommand{\bS}{\boldsymbol{S}}
\newcommand{\bU}{\boldsymbol{U}}
\newcommand{\bW}{\boldsymbol{W}}
\newcommand{\bX}{\boldsymbol{X}}
\newcommand{\bY}{\boldsymbol{Y}}
\newcommand{\bZ}{\boldsymbol{Z}}
\newcommand{\cotp}{\textcolor[RGB]{48,209,88}{TP}}
\newcommand{\cotn}{\textcolor[RGB]{100,210,255}{TN}}
\newcommand{\cofp}{\textcolor[RGB]{94,92,230}{FP}}
\newcommand{\cofn}{\textcolor[RGB]{191,90,242}{FN}}\\\newcommand{\numcotp}{\textcolor[RGB]{48,209,88}{50}}
\newcommand{\numcotn}{\textcolor[RGB]{100,210,255}{30}}
\newcommand{\numcofp}{\textcolor[RGB]{94,92,230}{10}}
\newcommand{\numcofn}{\textcolor[RGB]{191,90,242}{10}}
\DeclareMathOperator*{\argmin}{arg\,min}\end{aligned}\end{align} \]
课程简介#
人工智能旨在研究和构造能够感知环境、处理信息、进行推理并完成决策的计算系统。早期人工智能较多依赖人工编写的规则和知识表示；随着数据规模、计算能力和学习算法的发展，机器学习逐渐成为实现人工智能的重要技术路径。机器学习不直接规定每一步判断规则，而是利用数据估计模型，使系统能够完成分类、预测、生成和控制等任务。
神经网络是现代机器学习的核心模型之一。它通过多层线性变换与非线性激活组合出复杂函数，并能在训练过程中从原始数据中逐步学习适合任务的表示。全连接神经网络提供基本的前向计算与后向传播框架；卷积神经网络利用局部连接和权重共享处理图像；循环网络与 Transformer 面向序列数据；图神经网络处理节点与边构成的关系数据；扩散模型则通过逐步加噪和去噪学习复杂数据分布。这些模型虽然结构不同，但都围绕数据表示、目标函数、梯度优化和泛化评估展开。
本系列内容首先回顾 Python 与基础模型，随后介绍 全连接神经网络、模型诊断与训练策略、卷积神经网络 和 序列模型，并进一步讨论 图神经网络 与 扩散模型。课程既关注模型的数学定义与关键推导，也重视算法实现、数值核验和实验结果解释，帮助读者把不同方法放入统一的建模流程中理解。
学习本系列内容后，读者应能够根据数据结构和任务目标选择基本模型，说明主要计算步骤及参数维度，理解损失函数（loss function）和后向传播的作用，并使用 Python 完成可复现的训练与评价实验。学习时应避免只记忆网络名称或代码接口，而要持续检查公式、张量维度、数据划分和评价指标是否一致，并明确实验结论能够成立的条件与边界。