平台简介 | 学习者能在知予AI获得什么 | 知予AI学习手册 | 知予AI研究手册 | 联系我们（寻找/成为知予AI教学者）
大语言模型时代，越来越多的学生和从业者投身于人工智能（Artificial Intelligence, AI）的学习与研究，并将其应用到生活与工作中。然而，学习与研究过程中常常充满挑战，无论是难以理解算法概念、解决编程bug，还是在研究内容上感到迷茫。知予AI（Knove-AI）应运而生，致力于为学习者提供支持与帮助。
首先，知予AI是一份内容丰富、结构清晰的中英文手册，涵盖人工智能领域的基础知识、算法原理和代码实现，系统引导学习者从入门迈向前沿研究，包括研究方向的确定、实验设计与论文撰写，帮助学习者逐步成长为研究者。
此外，知予AI还是连接经验丰富的人工智能学者与新手学习者的桥梁。手册由来自清华大学、北京大学、中国人民大学、哥伦比亚大学等高校的博士研究生与研究员精心编写，这些学者深知学习与研究的艰难。因此，知予AI还提供一对一交流机会，帮助学习者高效解决问题（联系方式见末尾）。
目前，知予AI主要聚焦于自然语言处理（Natural Language Processing, NLP）领域，提供详尽示例与研究指导。与此同时，其模式也适用于其他人工智能领域，为更多行业的学习者与研究者提供启发与支持。
2016年，人工智能学习热潮兴起，许多大学生投身AI行业，立志从事研究或相关职业。到2023年，大语言模型技术飞速发展，学习资源层出不穷，如何高效选择适合的资料、系统入门人工智能、掌握自然语言处理并迈向科研，已成为学习者面临的共同难题。
为此，知予AI汇聚了来自清华大学、北京大学、中国人民大学、哥伦比亚大学等高校的博士研究生和研究员团队，梳理了人工智能领域的基础知识、算法原理和代码实现，并总结科研全过程，从研究方向的确定到实验设计与论文撰写，推出了“知予AI学习手册”和“知予AI研究手册”。手册内容严谨、结构系统，助力学习者从入门到深入，逐步掌握AI核心技能。此外，这些研究者还加入知予AI平台，成为教学者，通过一对一指导与答疑，为学习者提供针对性帮助，帮助其克服学习与科研中的难题。知予AI的核心体系示例图如下：
无论你是人工智能领域的小白、正在学习的大学生，还是致力于从事AI研究的研究生，抑或准备参与科研立项、科技竞赛、发表AI领域论文，甚至为考研、保研、申博或留学努力，知予AI都能为你提供强有力的支持，只要你对AI学习和研究充满热情。
网络学习资源五花八门，质量参差不齐，耗费时间筛选效率低。知予AI整合了AI多个方向的基础知识、算法原理、代码实现，并编撰成统一格式的学习手册，涵盖从入门到研究的完整路径。同时，我们精选了高价值的书籍、课程、网站、博客和论文，并对主流学习资源提供中肯评价，帮助学习者节省时间，快速找到适合的资源。
在AI学习和研究中，许多问题无法通过查阅资料解决，但经验丰富的前辈往往能带来关键帮助。知予AI不仅提供学习资源，还引入教学者角色——这些教学者是在顶级会议/期刊发表过多篇论文的学者与研究员。通过平台，学习者可与教学者一对一交流，获得针对性指导，解决学习和研究中的实际难题。
如果你——
- 想学习人工智能基础知识，并将算法应用于学习和工作
- 需要规划学习路径、研究方向，或希望一对一向专家请教问题
- 正在准备升学、留学、求职，却对AI领域了解不足
- 希望参与AI竞赛、项目或撰写论文，却缺乏专业指导
知予AI是你的理想选择。我们为学习者提供以下服务：
汇集多位博士生和领域专家整理的学习手册，覆盖数学基础、机器学习、深度学习、自然语言处理、计算机视觉等方向。手册内容广度与深度兼具，包括知识点、算法详解、代码实现、练手项目及参考资源。采用图文并茂的Markdown格式，简洁美观，学习体验出色。
帮助学习者完成从“学习知识”到“开展研究”的思维转变。知予AI推出研究手册系列，涵盖研究思维的培养、方向选择、跨学科探索、论文撰写与发表、科研实验方法等内容，缩小信息差，助力进入科研领域。
平台提供与富有经验的AI领域优秀博士生/研究人员一对一交流的机会，帮助解决学习与研究中的实际问题。通过对接客服（微信号见末尾“联系我们”）描述自己的学习需求，可直接匹配并联系教学者。我们承诺：不收取任何中介费用，放心交流。
.md 和 .html。
.md文件为源文件，可下载后使用第三方软件（如 Typora）进行编辑。.html文件为通过 Typora 导出的可视化版本，适合无需 Markdown 格式的读者。
请注意，文件需下载后打开查看（因 GitHub 无法直接渲染行内公式格式），或打开我们的Github Page进行查看。
每章节的参考资源可在 .md 和 .html 文件底部找到。除此之外，根目录还附有推荐学习资源、思维导图等材料，供进一步学习使用。
| 章节 | 子章节 | 内容 |
|---|---|---|
| 人工智能数学基础 | 线性代数 | 向量，向量空间，矩阵，相似矩阵，对角化，二次型，正定矩阵，特征值，特征向量，奇异值分解，LU分解 |
| 微积分 | 微分，积分，矩阵微积分 | |
| 数学优化 | 数学优化的类型，凸优化基础，优化算法，拉格朗日乘数法与KKT条件 | |
| 概率统计 | 概率统计的基本概念，随机变量，概率分布，参数估计 | |
| 信息论 | 熵，互信息，交叉熵和散度 | |
| 机器学习 | 机器学习概述 | 人工智能，统计学习，统计学习的分类，统计学习三要素，模型评估，模型选择，正则化，交叉验证，泛化能力，生成模型与判别模型，监督学习的评价指标，假设空间，归纳偏好 |
| 线性回归 | 线性回归模型，经验风险最小化，结构风险最小化，最大似然估计与均方误差，最大后验估计与正则化，基于numpy实现线性回归模型，使用scikit-learn中的线性回归算法对波士顿房价进行预测 | |
| k近邻算法 | k近邻算法原理，k近邻算法的参数，kd树，基于numpy的k近邻算法实现，使用scikit-learn中的k近邻算法对鸢尾花数据进行分类 | |
| 感知机 | 感知机算法，感知机算法的收敛性，参数平均感知机，基于numpy的感知机实现，使用scikit-learn中的感知机算法对自行构建的数据集进行二分类 | |
| 贝叶斯分类器 | 朴素贝叶斯的学习与分类，朴素贝叶斯的参数估计，高斯朴素贝叶斯，半朴素贝叶斯分类器，基于numpy的朴素贝叶斯实现，使用scikit-learn中的多项式朴素贝叶斯算法对新闻文本进行分类 | |
| 逻辑回归与最大熵模型 | 逻辑回归模型，softmax回归模型，最大熵模型，基于numpy的逻辑回归实现，使用scikit-learn中的逻辑回归算法完成自定义数据集上的分类任务 | |
| 支持向量机 | 线性支持向量机与硬间隔最大化，线性支持向量机与软间隔最大化，非线性支持向量机与核函数，线性可分支持向量机的算法实现，使用scikit-learn中的支持向量机算法对鸢尾花数据进行分类 | |
| 决策树与随机森林 | 决策树模型，特征选择，决策树的生成，决策树的剪枝，连续与缺失值，多变量决策树，使用scikit-learn中的决策树算法对鸢尾花数据进行分类 | |
| 集成学习 | 个体与集成，集成学习的误差分析，Boosting，基于numpy的AdaBoost算法实现，使用scikit-learn中的AdaBoost算法完成自定义数据集上的分类任务，Bagging与随机森林，结合策略，提升树模型，从零开始实现一个GBDT算法系统 | |
| EM算法 | EM算法的引入，EM算法过程，EM算法的Python实现 | |
| 聚类 | 聚类的基本概念，层次聚类，k均值聚类，聚类算法拓展，基于numpy的k均值聚类算法实现，对比scikit-learn中不同的聚类算法并将聚类结果可视化 | |
| 降维 | 主成分分析，基于numpy的主成分分析算法实现，使用scikit-learn中的主成分分析算法对Olivetti人脸数据集进行降维及特征脸的提取，流形学习，使用scikit-learn中的t-SNE算法完成恒星光谱数据的降维 | |
| 特征选择 | 子集搜索与评价，过滤式选择，包裹式选择，嵌入式选择与L1正则化，稀疏表示与字典学习，scikit-learn实现几种特征选择方法 | |
| 话题模型 | 单词向量空间与话题向量空间，潜在语义分析算法，概率潜在语义分析模型，潜在狄利克雷分配，使用gensim中的潜在狄利克雷分配对题目文本进行主题分析 | |
| 概率图模型 | 概率图模型概述，模型表示，概率图模型的学习，概率图模型的推断，基于隐马尔可夫模型的语音识别，基于隐马尔可夫模型的语音识别 | |
| 深度学习 | 深度学习概述 | 表示学习，深度学习，神经网络，神经网络的学习，深度学习框架 |
| 神经网络 | 神经网络的基本结构，激活函数，前馈神经网络，反向传播算法，通用近似定理，自动梯度计算，Tensorflow实现全连接神经网络进行MNIST手写数字识别，Pytorch实现全连接神经网络进行MNIST手写数字识别 | |
| 卷积神经网络 | 卷积，卷积神经网络，参数学习，几种常见的卷积神经网络，其他卷积方式，Tensorflow实现卷积神经网络进行Fashion MNIST衣物识别，Pytorch实现卷积神经网络进行Fashion MNIST衣物识别 | |
| 循环神经网络 | 序列数据和语言模型，网络结构，循环神经网络的应用，循环神经网络的训练，长程依赖问题，LSTM，GRU，深层循环神经网络，扩展到图结构，Tensorflow实现循环神经网络进行情感分析，Tensorflow实现循环神经网络进行文本生成 | |
| 神经网络的优化 | 网络优化的难点，优化算法，参数初始化，数据预处理，逐层归一化，超参数优化，网络正则化，Tensorflow实现神经网络并比较不同的优化器的优化效果 | |
| 自编码器 | 自编码器，稀疏自编码器，堆叠自编码器，降噪自编码器，Tensroflow实现自编码器完成光谱数据的降维与重构 | |
| 深度生成模型 | 概率生成模型，变分自编码器，Pytorch实现VAE进行MNIST手写数字生成，生成式对抗网络，Tensorflow实现GAN进行MNIST手写数字生成 | |
| 注意力机制与外部记忆 | 注意力，注意力机制的应用（指针网络，自注意力机制），外部记忆 | |
| 图神经网络 | 图神经网络概述，图神经网络中的矩阵，图卷积神经网络，Text Graph Convolutional Networks，图注意力网络，图嵌入 | |
| 自然语言处理 | 自然语言处理概述 | 自然语言与编程语言，自然语言处理的任务，自然语言处理的知识域，歧义，传统模型和算法，语言、思维和理解，正则表达式，词，文本规范化，深度学习与自然语言处理，jieba库的分词、词性标注与关键词提取操作示例， |
| 词向量 | 词向量概述，CBOW，skip-gram，word2vec的优化，GloVe，词向量的评估，句子与文档的嵌入，使用gensim中的word2vec工具训练词向量， | |
| 语言模型 | N元语法，评估语言模型，泛化与未知词汇，平滑，神经语言模型，Tensorflow实现神经语言模型 | |
| seq2seq与attention | 序列到序列模型，注意力机制，注意力机制在序列模型中的应用，序列生成模型的评价指标，Tensorflow实现Seq2Seq+Attention完成机器翻译任务 | |
| 预训练模型 | ELMo，Transformer，BERT，ERNIE，GPT | |
| 自然语言处理应用 | 文本分类（序列到类别），文本摘要（异步序列到序列），机器阅读理解（同步序列到序列） |
| 章节 | 内容 |
|---|---|
| 在AI领域，从学习思维到研究思维的转变 | 基础知识学习与科学研究的区别， |
| 快速上手最新研究内容，资源，和工具：以大语言模型为例 | 大语言模型概述，最新论文 |
| 研究方向的选择：以自然语言处理领域为例 | 研究方向的分类，研究方向的来源，如何自主选择研究方向 |
| 如何构思一个有意义的idea | idea的种类，看论文与想idea的关系 |
| 如何阅读一篇AI领域（以NLP为例）的论文 | 一篇AI领域（以NLP为例）论文的结构，如何撰写一篇论文 |
| 如何撰写一篇AI领域（以NLP为例）的论文 | 摘要，Introduction，Related Work，Methods，Experiments，Conclusion |
如需要与教学者进行一对一交流，请添加对接小姐姐微信号PhiNorm，或扫描以下二维码：
