使用 Python 进行人工智能编程
学习人工智能编程的基础知识，并掌握使用 Python 构建自己的应用程序的能力和知识。

提升您作为数字原生代的技能和资格
我们的未来技能课程与业界最优秀的企业合作，着眼于未来的工作，提供最好的结构化、导师支持的 100% 在线教育。

为什么选择这门课程？
据世界经济论坛预测，到2027年，由于人工智能和自动化的融合，目前44%的工作技能需要改变，这将导致全球劳动力发生重大转变。
现在是提升职业技能和面向未来的职业生涯的最佳时机。我们的 Python 人工智能编程课程将为您提供在三个月内构建自己的人工智能应用程序的知识和技能。培养在这个令人兴奋的领域取得职业发展的信心，或者将您在技术编程方面新发现的技能应用到现有的工作场所中。
完成本课程后，您将获得自己的人工智能应用程序和 RMIT 证书，该证书可以在社交媒体平台上进行验证、识别和共享。

本课程适合谁？
我们的 Python 人工智能编程课程非常适合：
• 具有深厚 IT、数据、统计或编程背景但在人工智能方面经验有限的专业人士。

你将学到什么？
完成本课程后，您将能够：
• 确定适当的人工智能模型结构以实现目标结果
• 应用基础数学概念来训练人工智能模型
• 开发模型并利用 Python 使用 Ai 对图像进行分类

它是如何运作的？
在本课程中，您将使用新获得的 Python 编码技能来完成两个项目。
在第一个项目中，您将使用经过训练的图像查找器对图像进行分类。在您的第二个项目中，您将在图像数据集上训练您自己的深度学习模型。完成本课程后，您将获得自己的人工智能应用程序和 RMIT 证书，该证书可以在社交媒体平台上进行验证、识别和共享。

课程结构
模块 1：Python 简介
第 1 课：为什么使用 Python 编程
• 了解我们为什么编程。
• 通过详细的主题概述为接下来的课程做好准备。
• 了解 Python 编程的独特之处

第 2 课：AI 编程中的 Python 数据类型和运算符
• 了解数据类型和运算符如何成为 Python 编程的构建块。
• 使用以下数据类型：整数、浮点数、布尔值、字符串、列表、元组、集合、字典。
• 使用以下运算符：算术、赋值、比较、逻辑、隶属、恒等。

第 3 课：控制流
• 使用条件在代码中实施决策。
• 使用 for 和 while 循环重复代码。
• 使用 Break 退出循环，并使用 continue 跳过循环的迭代。
• 使用有用的内置函数，例如 zip 和 enumerate。
• 使用列表推导式以自然的方式构建列表

第 4 课：函数
• 编写自己的函数来封装一系列命令。
• 了解变量范围，即可以从程序的哪些部分引用变量。
• 通过适当的文档使函数更易于使用。
• 使用 lambda 表达式、迭代器和生成器。

第 5 课：脚本编写
• 在您的计算机上本地编写并运行脚本。
• 使用用户的原始输入。
• 读写文件、处理错误以及导入本地脚本。
• 使用 Python 标准库和第三方来源的模块。
• 使用在线资源帮助解决问题。

模块 2：NumPy、Pandas 和 Matplotlib
第 1 课：NumPy
• 了解如何使用 Anaconda 管理与 Python 一起使用的包和环境

第 2 课：Jupyter 笔记本
• 了解如何使用 Jupyter Notebooks 创建结合代码、文本、图像等的文档。

第 3 课：Numpy 基础知识
• 了解 NumPy 的价值以及如何使用它来处理人工智能问题的数据。
• 迷你项目：使用 Numpy 表示 Normaliizen 并将其分成几个较小的 NDarray。

第 4 课：熊猫基础知识
• 学习使用 Pandas 加载和处理机器学习问题的数据。
• 迷你项目：使用 Pandas 绘制股票数据并获取统计数据。

第 5 课：Matplotlib 基础知识
• 了解如何使用 Matplotlib 根据您拥有的数据类型为一个和两个变量选择适当的绘图。

模块3 ：线性代数基础
第 1 课：简介
• 了解线性代数美丽世界的基础知识，并了解为什么它是如此重要的数学工具。
第 2 课：向量
• 了解线性代数的基本构建模块。

第 3 课：线性组合
• 了解如何缩放和添加向量以及如何在 2 维和 3 维中可视化它们
第 4 课：线性变换和矩阵
• 了解什么是线性变换以及它与矩阵有何直接关系。
• 学习如何应用数学并形象化概念。

第 5 课：神经网络中的线性代数
• 了解神经网络的世界，并了解它与线性代数的直接关系。
第 6 课：实验室
• 矢量实验室：了解如何绘制 2D 和 3D 矢量图形。
• 线性组合实验室：学习如何通过计算确定向量的跨度并求解简单的方程组。
• 线性映射实验室：学习如何使用向量和矩阵计算解决问题

模块4 ：微积分基础知识
第 1 课：简介
• 想象微积分的本质以及为什么它是数学中如此强大的概念。
第 2 课：几何导数
• 了解导数，这是微积分中最重要的工具之一。 – 了解导数如何衡量函数的陡度以及为什么它是机器学习领域如此重要的指标。
第 3 课：链式法则和点积
• 检查两个或多个函数组合的导数及其对神经网络的重要性。

第 4 课：更多关于衍生品的知识
• 了解有关导数的更多信息，同时关注指数函数和隐式函数
第5课：限制
• 通过理解极限来了解导数的正式定义。

第 6 课：整合
• 了解导数的倒数：积分。
第 7 课：神经网络中的微积分
• 了解有关神经网络世界的更多信息，并通过一个明确的示例了解它如何与微积分直接相关。

模块 5：神经网络 - 使用 Python 进行人工智能编程
第 1 课：神经网络简介
• 在深度学习和神经网络方面打下坚实的基础。在Python中实现梯度下降和反向传播
第 2 课：实现梯度下降
• 使用 numpy 矩阵乘法实现梯度下降
第 3 课：训练神经网络
• 了解如何改进神经网络训练的技术
第 4 课：使用 Pytorch 进行深度学习
• 了解如何使用 pytorch 进行深度学习模型

模块 6：使用 PyTorch 对 Transformer 神经网络进行编程
第 1 课：Transformer 神经网络简介
• 探索 Transformer 神经网络
第 2 课：使用 Pytorch 构建 Transformer 神经网络
• 学习使用 PyTorch 构建 Transformer 模型，涵盖 NLP 任务的标记化、嵌入、多头注意力、训练和文本生成
第 1 课：使用预先训练的变压器
• 掌握预训练变压器的使用

模块 7：创建您自己的图像分类器
成功的软件开发人员需要知道如何将深度学习模型融入日常应用程序中。任何带有摄像头的设备都将使用基于深度学习模型的图像分类、对象检测和面部识别。
在这个项目中，学习者将实现图像分类应用程序。该应用程序将在图像数据集上训练深度学习模型。然后它将使用经过训练的模型对新图像进行分类。第一批学习者将在 Jupyter 笔记本中开发代码，以确保他们的培训实施顺利。然后，他们将代码转换为 Python 应用程序，并从系统的命令行运行。