值不值得学：先搞清楚它解决什么问题
很多上班族想学人工智能，但一打开教程就是满屏的 Python 环境配置和枯燥的数学推导，往往第一节课就劝退了。这门基于 TensorFlow.js 的实战课，切入点很讨巧：它不让你先去啃理论，而是把神经网络塞进小游戏里。比如让飞机学会投弹、让坦克找准开炮角度、让射箭命中靶心。它解决的核心场景，是帮零基础的人把“神经元”“梯度下降”“反向传播”这些抽象概念，变成屏幕上看得见摸得着的动作。如果你一直想搞懂 AI 到底是怎么运作的，但又怕纯理论太干，这种可视化的方式能极大降低理解门槛。它适合有前端基础、能看懂简单 JavaScript 语法的人，如果你连变量和函数都不清楚，建议先补一周的 JS 基础再来看。
怎么用资料：建议先看哪几块
这套资料的核心逻辑是“概念加代码加游戏验证”，建议不要按顺序死磕，而是挑核心链条先看。第一优先级是基础神经元和神经网络结构这两块，配合飞机投弹和射箭的案例，弄懂单个神经元怎么接收输入、怎么给出输出，以及多个神经元怎么用矩阵乘法连起来。第二优先级是监督学习部分，这部分是整个体系的灵魂，重点看梯度下降和反向传播的代码实现，理解机器是怎么通过不断试错来修正参数的。看的时候不要只盯着视频，资料里涉及的 tf.matMul、优化器等代码片段，一定要在自己的编辑器里跑一遍，改改参数，看看游戏里的 AI 是变聪明了还是变傻了，这种反馈比干看强十倍。
学完能独立做什么
学完这套东西，你不会立刻变成算法工程师，但能独立做两件事：一是用 TensorFlow.js 在浏览器里搭一个简单的神经网络，处理一些轻量级的输入输出预测；二是看懂别人写的前端 AI 小项目代码，知道哪行代码在定义层、哪行在算损失函数。对于转行者来说，这最大的价值是破除了对人工智能的畏惧感。你切实经历了一遍从建模型到训练优化的完整流程，以后无论是面试聊基本概念，还是继续往深了学 Python 生态，都有了具象的经验做底子，不再是两眼一抹黑。
这是一门适合初学者的人工智能课程，结合大量游戏化案例如飞机投弹、坦克开炮、射箭、走迷宫等游戏将神经网络的概念和意义清晰具象的呈现，包括神经网络结构，激活函数，神
课程目录
* 第一章 游戏AI实战课-深入浅出tensorflow.js/
* 人工智能入门/
* 人工智能是什么
* 人工智能的常用算法
* 人工智能的常用框架
* 运行环境的建立
* 神经网络/
* 本节导学
* 基础神经元的概念及应用
* 多输入神经元的概念及应用
* 如何用tf代码建立基础神经元
* 飞机投弹游戏的AI应用
* 如何用tf代码建立多输入神经元
* 坦克开炮游戏的AI应用
* 神经网络与激活函数
* 神经网络的参数表象
* 如何用tf.matMul建立神经网络(射箭游戏)
* 监督学习/
* 本节导学
* 反向传播与均方差
* 梯度下降
* 梯度下降的tf代码实现
* 分类训练与交叉熵
* 优化器代码详解与多梯度下降
* 内存回收代码详解
* 预测与分类案例讲解
* 本节总结
* 卷积神经网络/
* 本节导学
* 卷积神经网络原理
* mnist手写数字识别
* 卷积神经网络特征值
* cifar图片识别
* 迁移学习
* 滑动图片识别
* 本节总结
* 无监督学习/
* 本节导学
* autoencode实现聚类
* 手写数字图片搜索
* AI画画
* 对抗神经网络
* 本节总结
* 强化学习/
* 本节导学
* 遗传算法讲解
* 遗传算法实现flappy Bird
* Qlearning算法
* QLearning实现maze
* DQN算法讲解
* DQN实现maze
* Policy Gradient算法讲解
* Policy Gradient算法实现平衡杆游戏
* Actor Critic算法讲解
* 自动驾驶案例讲解/
* 自动驾驶实现
* 总结与拓展/
* TensorFlow API回顾
* 人工智能前沿技术
