让高中生也能轻松学习AI,布朗计算机教授牵头设计,用交互动画学习人工智能

来自:Datawhale(微信号:Datawhale),作者:小黑

人工智能如此热门,如何自学呢?来自常青藤盟校布朗大学(Brown University)和罗德岛设计学院(RISD)的双学位学生马家驹建议“建议在直接进入实际代码操作前先宏观地了解一下人工智能的大概念和基本原理”。马家驹和布朗的计算机教授,RISD的交互设计教授,还有几个同学一起制作了OKAI。


通过交互动画的形式来科普人工智能的历史,应用和主要算法(深度学习算法)的基础原理。OKAI摒弃了那些复杂的数学公式,采用轻松有趣的动画形式来讲解人工智能的相关概念。目前已经有超过4万次网页浏览,浏览过的人都反馈很适合初学者,接下来跟小编一起了解下这个有趣的入门AI的极佳网站吧!


在线地址: 

https://okai.brown.edu/zh/index.html

首页设置有引导栏,可以选择中文还是英语。网站内容共分为7个章节,从身边的人工智能,深度学习的历史等内容由浅入深地对人工智能技术进行了生动讲解:

  1. 体验人工智能

  2. 无处不在的人工智能

  3. 深度学习简史

  4. 深度学习的基本元素

  5. 感知器学习

  6. 前馈神经网络简介

  7. 前馈神经网络实例


每个章节的页面可以通过左右箭头来跳转到上一章节或者下一章节,向下滚动即可继续查看本章节内容。


第1章 体验人工智能

你有没有好奇过人工智能(AI)可以做些什么事?下面是一个由AI来识别你手写的数字的交互模块。之后的章节会向你详细地展示和解释这个模块背后所用到的人工智能原理。

第零章使用了Hubert Eichner 用Javascript编写的神经网络手写数字识别程序,源代码可以在OKAI的github中找到。小编尝试了一下,大多数还是可以识别正确的:


但是,如果写得不那么规范,这个AI也会出现识别错误,小编刻意把“0”写得很瘦,以为会被识别成1,识别成4也是很出乎我的意料了,大家可以发挥自己的想象力来调戏这个AI。


第2章 无处不在的人工智能

人工智能(AI)在我们的生活中正扮演着愈发重要的角色。在这一章里你将了解到人工智能的发展,以及如今人工智能所造成的巨大影响。

这一章的页面交互很有趣!随着滚轮的向下滚动,页面左方的图标不断变化,似乎看到了人工智能不断的突破发展。


随后介绍了ANI 和AGI不同,也介绍了AI中的一些关键词:算法、机器学习、深度学习。

一张图清晰地表明了AI、ML、DL之间的关系,解决了很多AI小白的概念混淆问题。


最后是本章小结


后面的几章,小编就只给大家每章剧透一小部分内容,毕竟OKAI真正好玩的地方是在交互的过程中,要留给大家自己体会的。


第3章 深度学习简史

从神经网络的神经元开始介绍感知机算法,主要是介绍深度学习一些主要概念背后的灵感,为深入了解他们的工作原理打下基础。

左图是人类大脑的神经元,右图是感知器,瞬间明白了感知器算法灵感的来源。


第4章 深度学习的基本元素

帮助大家详细了解神经网络的基本元素——感知器。把神经元和感知器做了对比,很生动形象!然后用动画的形式介绍了权重、偏置、激活函数。

每一个神经元都由三部分组成:

树突(Dendrites):神经信息的接收器,用于感知其他神经元所传来的刺激。

神经元胞体(Soma):包含着细胞核的神经元“核心”, 它决定一个神经信号是否会被传送到其他的神经元。

轴突(Axon):神经元向外伸长的突起,用于将神经信号传递给临近的神经元。

同样的,感知器也由三部分组成:

输入单元:接受输入信号(数字)并传递给感知器。

感知器:汇总所有输入信号并进行数学运算。

输出单元:感知器的输出就是数学运算的结果。


第5章 感知器学习

本章介绍了感知器是如何学习的。封面这张图简直不能再赞了!小编停留在这个页面,看了好几分钟从start到min的这个动画,好看啊!生动形象又好看!这张图在本章是用来介绍梯度下降的:


第6章 前馈神经网络简介

前馈神经网络将多个感知器连接来完成更具有挑战性的任务。本章剖析了这种最简单的人工神经网络,还结合了预测明天温度区间的实例。


第7章 前馈神经网络实例

还记得在第1章那个手写识别嘛?回想一下前面学到的知识,本章进一步介绍手写数字的识别是如何完成的。


OKAI最大的魅力就在于用生动有趣的交互动画讲解了晦涩难懂的人工智能概念及原理,让高中生也能轻松入门学习。相信随着教育模式的探索发展,未来的人工智能教育一定会慢慢成为普适教育,让更多人能理解AI以及能用AI解决问题。快实践吧,点击阅读原文可以直接体验学习!

推荐↓↓↓
人工智能与大数据
上一篇:Google“封杀”华为!TensorFlow框架还能用多久? 下一篇:学机器学习有必要懂数学吗?深入浅出机器学习与数学的关系