人工智能进阶课程- 完结

这门课不是从零讲 AI 概念，而是把进阶阶段真正会遇到的几个大块——机器学习算法、NLP、图像识别、生成模型、推荐系统——放在一起，用项目串起来。它解决的是「已经会调库、跑通 demo，但一遇到真实业务就不知道怎么选模型、怎么调参、怎么评估」的问题。学完之后，你能独立完成从数据预处理到模型上线前的完整实验，并且知道为什么这么做。

适合什么基础，先看哪几块

建议你至少熟悉 Python，用过 sklearn，理解训练集/测试集、过拟合这些基本概念。如果你连逻辑回归和决策树都没写过，直接跳到 NLP 或 GAN 会非常吃力。课程前几讲从距离度量、线性回归、逻辑回归、特征选择、正则化、Dropout、集成学习一路铺到 GBDT 和 XGBoost，这部分是给「知道算法名字但说不清原理」的人补地基的。如果你已经工作两年、日常用 XGBoost 做排序或分类，可以先跳过 01～07，重点看 08～10 的树模型和 GBDT 细节，再进入后面的项目。

建议的观看顺序是：先看 01～10 把机器学习基础夯实，然后从 20 的 HuggingFace 文本分类切入 NLP 项目，再回头补 17～19 的 BERT、GPT 原理。图像部分可以按 26、27、28、29 的顺序走，乳腺癌识别项目会带你从图像分类原理、代码实战到迁移学习，最后是完整识别项目。GAN 和扩散模型放在最后，因为需要你对损失函数和训练稳定性有感觉。推荐系统则适合在你有一定工程经验后看，它更关注召回、排序、AB 测试这些业务环节。

学完能独立做什么

学完这门课，你能独立完成三类任务。第一，文本类：用 BERT 和 T5 做文本分类、文本纠错、摘要生成，能根据任务选预训练模型，并知道怎么用 HuggingFace 快速搭建实验。第二，图像类：用 ResNet 做以图搜图，用迁移学习做医疗图像分类，用 YOLO 和 Transformer 做目标检测，能对图像识别项目的常见坑有预判。第三，生成与推荐：你能训练一个 GAN 生成图像，理解 WGAN 的推土机距离为什么能稳定训练；也能搭一个推荐系统，从召回、排序到 AB 测试，知道不同环节的评估指标怎么定。

更重要的是，课件里反复出现的「为什么这样设计」——比如为什么用 Dropout 防过拟合、为什么 GBDT 要逐步拟合残差、为什么 BERT 用掩码语言模型——能让你在面试或业务讨论中讲清楚取舍，而不是只报指标。

资料怎么配合练习

这套资料是视频课，不是纯讲义。建议你看完每一讲后，先把代码自己敲一遍，不要直接跑通就完事。比如 11 和 12 的以图搜图，先用 ResNet 提取特征，再换 Annoy 做近似最近邻，体会两种方法在速度和精度上的差异。文本纠错和 Bart 模型那节，建议你找一批真实用户输入，看看模型在错别字、缺字、多字上的表现，再调 beam search 参数。GAN 部分一定要自己跑训练，观察 loss 曲线，尝试不同的生成器和判别器更新频率，否则只看原理很难理解「训练不稳定」到底长什么样。

推荐系统几讲内容偏工程，建议你结合自己的项目数据，把召回、排序、AB 测试各做一遍，哪怕数据只有几万条，也能帮你建立完整的流程感。最后，乳腺癌识别项目可以作为综合练习：从迁移学习开始，尝试微调不同层，记录验证集指标的变化，再对比和直接训练全模型的差异。这样学完，你不仅「看过」了，而是真正「做过」了。