从这里开始
从这里开始
五 成果导向课程
每门课程都包含明确的成果、能力规划、实践活动和应用毕业设计。
主题曲目
按曲目浏览
跳入您关心的领域。每条赛道都有多个简单的英文指南。
- 134 指南基础知识核心概念：人工智能如何在高层次上工作。探索
- 272 指南语言人工智能LLM、NLP、ChatGPT、提示和文本理解。探索
- 298 指南视觉人工智能图像生成、计算机视觉、视频和设计。探索
- 188 指南音频人工智能语音、音乐、播客和音频优先的人工智能。探索
- 145 指南公司OpenAI、Anthropic、Google、Meta 等的配置文件。探索
- 761 指南应用领域人工智能如何出现在编码、搜索、代理和日常生活中。探索
- 244 指南行业医疗保健、金融、教育、能源等领域的人工智能。探索
- 536 指南技术的芯片、微调、RAG、向量和人工智能基础设施。探索
- 422 指南社会偏见、隐私、版权、安全和人工智能的未来。探索
全库
技术的
536 的 3000 显示指南。按曲目过滤或在上方搜索。
- 技术的机器学习中的历史偏差历史偏差是指过去数据中的模式反映了结构性不平等或过去的歧视，而模型学会了复制这些模式。3 最小阅读量阅读
- 技术的AI 中的交叉性偏差当系统在多个社会类别交叉处的人群中表现不佳时，即使每个类别的汇总结果……，也会出现交叉性偏差。3 最小阅读量阅读
- 技术的标签偏差和注释者分歧当标签编码注释者的假设、指示、制度规则或不完美的代理而不是客观的基本事实时，就会出现标签偏差。3 最小阅读量阅读
- 技术的数据集中的表示和采样偏差当用于构建或评估模型的数据不能充分涵盖使用该模型的人员、环境或条件时，就会出现代表性偏差。3 最小阅读量阅读
- 技术的偏差缓解技术：处理前、处理中和处理后偏差缓解可以在训练之前、模型学习期间或预测之后进行干预。免费的简单英语指南。3 最小阅读量阅读
- 技术的公平工具包：AIF360、Fairlearn 和 AequitasAIF360、Fairlearn 和 Aequitas 是开源 Python 项目，支持公平性评估和选定的缓解工作流程。3 最小阅读量阅读
- 技术的如何进行人工智能偏见审计人工智能偏见审计评估系统的决策或错误在相关群体之间是否存在差异，以及这些差异是否合理。3 最小阅读量阅读
- 技术的情绪识别 AI 在科学上有效吗？情绪识别系统声称可以从面部动作、声音或姿势等生物特征信号中推断出情感或意图。3 最小阅读量阅读
- 技术的注释者间协议和 Cohen 的 Kappa标注者间一致性（IAA）描述了在既定指令下，标注者对相同项目应用相同标签的频率。免费通俗指南。3 最小阅读量阅读
- 技术的llms.txtllms.txt 是一个非正式的社区提案，旨在通过 Markdown 索引来总结网站内容，并引导 AI 智能体访问选定的资源。3 最小阅读量阅读
- 技术的OpenAI Responses API 与 Chat Completions 对比OpenAI 建议新项目使用 Responses API，同时继续支持 Chat Completions。免费通俗指南。3 最小阅读量阅读
- 技术的大语言模型 (LLM) 应用生产就绪检查清单LLM 应用的生产就绪检查清单涵盖评估、护栏、可观测性、速率限制、回退行为、成本控制……4 最小阅读量阅读