课程导览：从找函数到智能体
这是一门"把 AI 重演一遍"的自学课程。上篇沿着历史的脉络把概念和原理讲透——每个概念都回答两个问题：它诞生时要解决什么问题？为什么是这个方案胜出？ 下篇是应用实操手册——怎么选模型、装工具、用 AI 促进学习科研，以及文生图、PPT、代码、论文四大实战。
课程地图
上篇 · AI 发展史（9 讲，含全量数学推导）
| 讲次 | 主题 | 核心问题 |
|---|---|---|
| 01 | 机器学习就是找函数 | 什么是"学习"？为什么泛化是可能的？ |
| 02 | 感知机与支持向量机 | 线性分类器怎么找？哪条分界线最好？ |
| 03 | 决策树与贝叶斯方法 | 不用几何用逻辑与概率，怎么分类？ |
| 04 | 神经网络的兴衰与反向传播 | 复合函数怎么训练？NN 为何两起两落？ |
| 05 | AlexNet 与深度学习热潮 | 为什么 2012 年深度学习突然爆发？ |
| 06 | 从序列建模到 Transformer | 语言这种变长序列怎么处理？注意力是什么？ |
| 07 | Scaling Laws 与大语言模型 | 为什么"大力出奇迹"？LLM 怎么被造出来？ |
| 08 | 让输出更好更稳：四个工程 | 提示词 → 上下文 → 编排 → 循环 |
| 09 | 工具调用、智能体、MCP 与 Skills | LLM 怎么一步步变得更强大、更通用？ |
下篇 · AI 应用（9 讲，实操向）
| 讲次 | 主题 |
|---|---|
| 10 | 模型地图与选型：每个模型有什么特点、适合干什么活 |
| 11 | 软件与环境安装：从聊天网页到 CLI 智能体到本地部署 |
| 12 | 用 AI 促进学习：当导师而不是答案机 |
| 13 | 用 AI 促进科研：文献、推导、复现、写作 |
| 14 | 使用技巧与坑：幻觉、谄媚、上下文腐烂与 verify 文化 |
| 15 | 实战：写代码与数据分析 |
| 16 | 实战：文生图 |
| 17 | 实战：PPT 与文档 |
| 18 | 实战：论文与长文写作 |
实验室（10 个可运行实验）：每个原理讲次都配一个动手实验，"跑过一遍"比"读过一遍"记得牢。lab01–lab07 纯本地运行（numpy / scikit-learn / PyTorch），lab08–lab10 调用 DeepSeek API。
怎么使用这门课
- 读讲义：浏览器里按顺序读。公式不要跳——上篇的推导是为你的数学背景定制的，动笔跟一遍推导是本课程最有价值的部分。
- 跑实验：读完一讲，跑对应的 lab。实验代码里有密集的教学注释，建议逐块读懂再改参数玩。
- 改着玩：每个 lab 末尾有"动手改改"建议。把参数改坏、观察怎么坏，比看十遍正确结果学得多。
推荐节奏：每讲 1–2 天（读讲义 + 跑实验 + 推导），全程约 4–6 周。上下篇可以交替读（比如每周 2 讲原理 + 1 讲应用），应用篇相互独立可跳读。
环境准备
只需要做一次：
cd ~/ai-course
# 实验环境已建好（Python 3.12 venv），验证一下：
.venv/bin/python -c "import torch, sklearn; print('OK')"
# lab08-10 需要 DeepSeek API key：
cp labs/.env.example labs/.env
# 然后编辑 labs/.env 填入你的 DEEPSEEK_API_KEY
跑实验的方式（以 lab01 为例）：
cd ~/ai-course
.venv/bin/python labs/lab01_find_function.py
图表会弹窗显示并同时保存到 labs/output/ 目录。
讲义如何更新
讲义源文件是 lectures/*.md，站点由 build_site.py 生成。你（或 AI）修改讲义后重新构建：
cd ~/ai-course
.venv/bin/python build_site.py
浏览方式二选一：直接双击 site/index.html；或起个本地服务 python3 -m http.server -d site 8080 后访问 http://localhost:8080。
关于时效
上篇的历史与数学不会过期。下篇涉及具体产品与模型（第 10、11 讲尤其），以 2026 年初为基准写成——AI 产品迭代极快，实操前用最新信息核对一遍（讲义里标注了哪些结论易变、哪些方法论长期有效）。
下一讲我们从一个 1936 年就存在的问题出发：给你一朵鸢尾花的测量数据，判断它是哪个品种——机器学习的一切，从这里开始。