这些天，抽空读了一下人工智能基础（高中版），觉得作为高中科普教材，还是非常不错的，五星好评推荐。

下面会针对每一章的内容，依据兴趣等补充一些资料。

2019年05月更新链接（人工智能开放课程，点击红旗就是中文版）：https://github.com/Yorko/mlcourse.ai

大纲

这是medium.com上发布的文章列表  ，habr.com  和jqr.com  。图标是可点击的。此外，还给出了Kaggle Kernels（英文）的链接。这样就可以在不安装单个包的情况下重现所有内容。

1. 使用Pandas进行探索性数据分析      ，Kaggle Kernel
2. Python的可视化数据分析      ，Kaggle Kernels：part1，part2
3. 分类，决策树和k近邻      ，Kaggle Kernel
4. 线性分类和回归      ，Kaggle内核：第一部分，第2部分，第三部分，第四部分，PART5
5. 套袋和随机森林      ，Kaggle Kernels：part1，part2，part3
6. 特征工程和特征选择      ，Kaggle Kernel
7. 无监督学习：主成分分析和聚类      ，Kaggle Kernel
8. Vowpal Wabbit：学习千兆字节的数据      ，Kaggle Kernel
9. 使用Python进行时间序列分析，第1部分      。用Facebook Prophet预测未来，第2部分 ，  Kaggle Kernels：part1，part2
10. 渐变提升    ，  ，Kaggle Kernel

讲座

视频选择会上传到此 YouTube播放列表。介绍，视频，幻灯片

1. 使用Pandas进行探索性数据分析，视频
2. 可视化，EDA的主要情节，视频
3. 决策树：理论和实践部分
4. 逻辑回归：理论基础，实践部分（“爱丽丝”竞赛中的基线）
5. Emsembles和随机森林 – 第1部分。分类指标 – 第2部分。预测客户付款的业务任务示例 – 第3部分
6. 线性回归和正则化 – 理论，LASSO＆Ridge，LTV预测 – 实践
7. 无监督学习 – 主成分分析和聚类
8. 用于分类和回归的随机梯度下降 – 第1部分，第2部分TBA
9. 用Python进行时间序列分析（ARIMA，先知） – 视频
10. 渐变助推：基本思路 – 第1部分，Xgboost，LightGBM和CatBoost +练习背后的关键思想 – 第2部分

2019年春季作业

1. 美国航班的探索性数据分析（EDA），nbviewer。截止日期：格林尼治标准时间2月24日20:59
2. 在作业2中，你将在前两场比赛中击败基线：
   • 第1部分。使用Logistic回归的用户识别（在“Alice”竞赛中击败基线），nbviewer。截止日期：格林尼治标准时间3月10日20:59
   • 第2部分。使用Ridge回归预测中等文章的受欢迎程度（在“中等”竞赛中击败基线），nbviewer。截止日期：格林尼治标准时间3月10日20:59
3. 决策树，随机森林和梯度提升。截止日期：格林尼治标准时间3月31日20:59
   • 第1部分“分类和回归的决策树”，nbviewer
   • 第2部分“信用评分和电影评论分类中的随机森林和逻辑回归”，nbviewer
   • 第3部分“航班延误”竞争，内核启动
4. 时间序列分析，nbviewer。截止日期：格林尼治标准时间4月7日20:59

演示作业，仅供练习

以下是演示版本。课程期间会公布完整版本。

1. 使用Pandas，nbviewer，Kaggle Kernel，解决方案进行探索性数据分析
2. 分析心血管疾病数据，nbviewer，Kaggle Kernel，解决方案
3. 带有玩具任务的决策树和UCI成人数据集，nbviewer，Kaggle内核，解决方案
4. Sarcasm检测，Kaggle Kernel，解决方案。线性回归作为优化问题，nbviewer，Kaggle Kernel
5. Logistic回归和随机森林中的信用评分问题，nbviewer，Kaggle Kernel
6. 在回归任务，nbviewer，Kaggle Kernel，解决方案中探索OLS，Lasso和Random Forest
7. 无监督学习，nbviewer，Kaggle Kernel
8. 实现在线回归，nbviewer，Kaggle Kernel，解决方案
9. 时间序列分析，nbviewer，Kaggle内核，解决方案
10. 在竞争中击败基线，Kaggle内核

Kaggle比赛

1. 如果可以，请抓住我：通过网页会话跟踪检测入侵者。Kaggle Inclass
2. 你的中篇文章有多好aggle Inclass
3. DotA 2获胜者预测Kaggle Inclass

评分

在整个课程中，我们维持学生评分。它考虑了作业和Kaggle比赛中获得的学分。他们说，评级高度激励完成课程。优秀学生（根据最终评级）列在特殊页面上。

社区

学生之间的讨论在OpenDataScience Slack团队的#mlcourse_ai频道进行。填写此表单以获得更接近新会话开始的邀请。

该课程是免费的，但您可以通过对Patreon（每月支持）或Ko-fi的一次性付款作出承诺来支持组织者。因此，您将促进机器学习在世界范围内的传播！

更多信息

去mlcourse.ai

该课程是免费的，但您可以通过对Patreon的承诺来支持组织者

首先是封面：

接着，是一段“肺腑之言”，我觉得蛮好的，“感人至深”：

—-第一章—-

看完第一章，对人工智能和机器人的未来充满向往和信心啊。

先展望未来，再回顾历史，接着讲解当下人工智能的应用和概念与方法。

1.1 补充如下：

–

–

–

–

–

– 

-更多精彩，链接：http://i.youku.com/zhangrelay-

1.2 补充如下（中英对照，人工智能历史），雷锋网推荐（https://www.leiphone.com/）读懂智能和未来：

中文：https://zh.wikipedia.org/wiki/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%8F%B2

英文：https://en.wikipedia.org/wiki/History_of_artificial_intelligence

这段比书中内容更全面的。人工智能机器翻译部分在文末。

1.3补充如下：

这里推荐一个知乎问答：人工智能在生活中的应用有哪些接如下：

https://www.zhihu.com/question/62512060

1.4 补充如下：

这里还是推荐一个知乎问答：人工智能、机器学习和深度学习的区别接如下：

https://www.zhihu.com/question/57770020

如下图片来源于上述链接：

1.5 补充如下：

有人会问，中小学阶段是否适合开始人工智能等课程/span>

我不列举欧美日等国家的示例了，只看隔壁韩国，高中的机器人编程课，2010年开设的夏令营，是的2010年！：

—-豆瓣点评—-

—-

人工智能的历史

维基百科，自由的百科全书

跳转到导航跳转到搜索

参见：人工智能的时间表和进展人工智能