人工智能核心知识 - 从基础原理到发展历程
一、课程整体概述1.1 课程架构必修基础模块•机器学习与人工智能入门•深度学习核心：卷积神经网络（CNN）•深度学习进阶：Transformer 与自然语言处理1.2 教学目的与展望以就业为导向的综合训练◆理论素养（Knowledge）：系统化讲解理论框架◆编码技能（Coding Test）：结合行业场景的代码实践◆求职准备：覆盖所有面试可能涉及的知识点核心能力强化◆手写算法：梯度下降、CNN 架构、Transformer 结构◆理论掌握：能够口头阐述算法原理及实现方法◆实践能力：完成课后任务与代码练习二
人工智能先驱杨立昆：深度学习的奠基者
杨立昆（Yann LeCun）被誉为 "AI 教父"，关键在于他是深度学习三大开创者之一、CNN（卷积神经网络）创始人、图灵奖获得者，且长期执掌顶尖 AI 实验室，深远影响了当代 AI 的技术路径与产业生态。一、地位：深度学习 "三巨头" 之一，领域奠基人在人工智能界，有三位公认的深度学习先驱：杨立昆（Yann LeCun）杰弗里・辛顿（Geoffrey Hinton，"深度学习之父"）约书亚・本吉奥（Yoshua Bengio）三人于2018 年共同荣获图灵奖（计算机领域最高荣誉，被誉为 "诺贝尔奖"）
名实不符的 AI 始祖：源自猫脑的算法为何称为卷积网络？
Convolutional Neural Network 这一称谓并非在创立之初便已确立，卷积一词更是横跨数学、神经科学及信号处理三大学科的跨领域命名。下文将梳理 CNN 的完整渊源，解析仿照猫视觉的 Neocognitron 为何未能成为 CNN 的通用名称？1959 年，哈佛大学的 Hubel 与 Wiesel 在麻醉猫身上进行视觉皮层电生理实验，意外发现了两类视觉神经元：简单细胞 S 仅关注极小视野区域，锁定边缘、横线及直角。复杂细胞 C 则能整合多个简单细胞的信号，即便物体位置变动也能完成识别。这
揭秘医疗 AI：如何成为医生的超级助手
——全方位解析医疗人工智能## 引言：源自真实的案例时间来到 2025 年，北京肿瘤医院接诊了一位特殊的患者——其结直肠癌的病理切片在显微镜下并未显示出明显的恶性迹象。若按常规流程，必须等待耗时两周且费用高昂的基因测序才能确诊。然而，主治医生采取了一个新举措：将切片图像导入医院配置的 AI 辅助诊断平台。仅过三秒，系统便输出结论：高度疑似微卫星不稳定（MSI-H），推荐即刻启动免疫疗法。随后的基因检测完美印证了 AI 的推断——分毫不差。**准确率高达 94%。**这绝非科幻桥段，而是 2025 年发生于
AI视觉革命：卷积神经网络如何重塑计算机认知
识别一张照片中的动物种类，或者从视频流中追踪移动的目标。这些对人类而言轻而易举的任务，对计算机系统却充满挑战。而实现这一跨越的关键领域正是：计算机视觉（Computer Vision）。推动其快速发展的核心技术则是：CNN（卷积神经网络）。人类观察世界的方式自然而直观。举例来说，看到一张图像，你会立刻理解：这里有一个人，这里是一条街道，这里有一个正在运动的孩子。但对计算机来说，一张图片仅仅是密密麻麻的数字矩阵。比如每个像素点携带RGB（红绿蓝）数值，每个坐标位置对应一组数据。机器无法判断：哪些像素构成的是
基于神经网络的手写数字识别方法
免责声明：由于完成时间相对较早，本文仅提供思路与解决方案，不保证一定是最优实践。实际效果会受到多种条件影响，本文不对其他人的使用结果承担责任。基于神经网络的手写数字识别模型本次作业的目标是使用MNIST数据集训练神经网络，以实现对手写数字的识别。针对该任务，本文对三类手写数字识别方案进行了设计与评估：浅层全连接网络、卷积神经网络（CNN），以及带残差块的改进卷积神经网络。通过比较这三种模型在训练与验证阶段的表现，进一步分析不同网络结构对识别效果的影响。本案例所采用的数据集为MNIST手写数字数据集。MNI