微软真是活菩萨，面向初学者的机器学习、数据科学、AI、LLM课程统统免费
微软真是活菩萨，面向初学者的机器学习、数据科学、AI、LLM课程统统免费
大家好，我是老章
推荐几个质量上乘且完全免费的微软开源课程
面向初学者的机器学习课程
地址：https://microsoft.github.io/ML-For-Beginners/#/
学习经典机器学习，主要使用 Scikit-learn 作为库，本课程不涉及深度学习，这部分会在后面介绍的“初学者人工智能”课程中涉及，本课程与第二部分的面向初学者的数据科学课程是姐妹篇。
课程大纲：
| 课号 | 话题 | 课程分组 | 学习目标 |
|---|---|---|---|
| 01 | 机器学习简介 | 介绍 | 了解机器学习背后的基本概念 |
| 02 | 机器学习的历史 | 介绍 | 了解该领域的历史 |
| 03 | 公平与机器学习 | 介绍 | 学生在构建和应用机器学习模型时应该考虑哪些关于公平的重要哲学问题？ |
| 04 | 机器学习技术 | 介绍 | 机器学习研究人员使用哪些技术来构建机器学习模型？ |
| 05 | 回归简介 | 回归 | 开始使用 Python 和 Scikit-learn 构建回归模型 |
| 06 | 北美南瓜价格🎃 | 回归 | 可视化和清理数据，为机器学习做好准备 |
| 07 | 北美南瓜价格🎃 | 回归 | 建立线性和多项式回归模型 |
| 08 | 北美南瓜价格🎃 | 回归 | 构建逻辑回归模型 |
| 09 | 网络应用程序🔌 | 网页应用程序 | 构建一个网络应用程序来使用您训练过的模型 |
面向初学者的数据科学课程
地址：https://microsoft.github.io/Data-Science-For-Beginners/#/
为期 10 周、20 课时的数据科学课程，每节课都包括课前和课后测验，学习数据科学的基本原理，包括道德概念、数据准备、处理数据的不同方式、数据可视化、数据分析、数据科学的实际用例等等。
课程大纲：
| 课号 | 话题 | 课程分组 | 学习目标 |
|---|---|---|---|
| 01 | 定义数据科学 | 介绍 | 了解数据科学背后的基本概念以及它与人工智能、机器学习和大数据的关系 |
| 02 | 数据科学伦理 | 介绍 | 数据伦理概念、挑战和框架 |
| 03 | 定义数据 | 介绍 | 数据如何分类及其常见来源 |
| 04 | 统计与概率概论 | 介绍 | 用于理解数据的概率和统计数学 |
| 05 | 使用关系数据 | 处理数据 | 关系数据简介以及使用结构化查询语言（ SQL）探索和分析关系数据的基础知识 |
| 06 | 使用 NoSQL 数据 | 处理数据 | 介绍非关系数据、其各种类型以及探索和分析文档数据库的基础知识 |
| 07 | 使用Python | 处理数据 | 使用 Python 通过 Pandas 等库进行数据探索的基础知识，建议对 Python 编程有基本的了解 |
| 08 | 数据准备 | 处理数据 | 有关清理和转换数据以应对数据丢失、不准确或不完整的挑战的数据技术的主题 |
| 09 | 可视化数量 | 数据可视化 | 了解如何使用 Matplotlib 可视化鸟类数据 🦆 |
值得一提的是，本课程还配套了很多高清手绘风格的章节总结：
面向初学者的AI课程
地址：https://microsoft.github.io/AI-For-Beginners/
在本课程中，将学习：
- 人工智能的不同方法，包括带有知识表示和推理的“古老”符号方法（GOFAI）。
- 神经网络和深度学习是现代人工智能的核心，使用两个最流行的框架（TensorFlow和PyTorch）中的代码来说明这些重要主题背后的概念。
- 用于处理图像和文本的**神经架构，介绍最新的模型
- 不太流行的人工智能方法，例如遗传算法和多代理系统。
每节课都包含一些预读材料和一些可执行的 Jupyter Notebook，它们通常特定于框架（PyTorch或TensorFlow）。
面向初学者的生成式人工智能
地址：https://microsoft.github.io/generative-ai-for-beginners
通过 12 课时综合课程，了解构建生成式 AI 应用程序的基础知识。
课程大纲
| 概念 | 学习目标 | ||
|---|---|---|---|
| 00 | 课程简介 - 如何学习本课程 | 技术设置和课程结构 | 在学习本课程的同时帮助您取得成功 |
| 01 | 生成式人工智能和法学硕士简介 | 概念：生成式人工智能和当前的技术前景 | 了解什么是生成式 AI 以及大型语言模型 (LLM) 的工作原理。 |
| 02 | 探索和比较不同的法学硕士 | 概念：测试、迭代和比较不同的大型语言模型 | 为您的使用案例选择正确的型号 |
| 03 | 负责任地使用生成式人工智能 | 概念：了解基础模型的局限性和人工智能背后的风险 | 了解如何负责任地构建生成式人工智能应用程序 |
| 04 | 了解快速工程基础知识 | 代码/概念：即时工程最佳实践的实际应用 | 了解提示结构和用法 |
| 05 | 创建高级提示 | 代码/概念：通过在提示中应用不同的技术来扩展您的提示工程知识 | 应用提示工程技术来改善提示结果。 |
| 06 | 构建文本生成应用程序 | 代码：使用 Azure OpenAI 构建文本生成应用程序 | 了解如何有效地使用令牌和温度来改变模型的输出 |
| 07 | 构建聊天应用程序 | 代码：有效构建和集成聊天应用程序的技术。 | 确定关键指标和注意事项，以有效监控和维护人工智能聊天应用程序的质量 |
| 08 | 构建搜索应用程序矢量数据库 | 代码：语义搜索与关键字搜索。了解文本嵌入及其如何应用于搜索 | 创建一个使用嵌入来搜索数据的应用程序。 |
| 09 | 构建图像生成应用程序 | 代码：图像生成以及为什么它在构建应用程序中很有用 | 构建图像生成应用程序 |
| 10 | 构建低代码人工智能应用程序 | 低代码： Power Platform 中的生成式 AI 简介 | 使用低代码为我们的教育初创公司构建学生作业跟踪应用程序 |
| 11 | 将外部应用程序与函数调用集成 | 代码：什么是函数调用及其应用程序用例 | 设置函数调用以从外部 API 检索数据 |
| 12 | 为人工智能应用程序设计用户体验 | 概念：设计人工智能应用以实现信任和透明 | 开发生成式人工智能应用程序时应用用户体验设计原则 |
