AICourse - 人工智能课程项目

项目简介

本课程项目包含多个实验项目，涵盖人工智能和机器学习的基础知识和实践应用。

目录结构

• demo1/: 番茄钟计时器Web应用
• demo2/: 多智能体AI金融分析师
• demo3/: 第三个演示项目
• demo4/: 第四个演示项目
• demo5/: 第五个演示项目（网站设计项目）
• exam1/: 第一个实验项目
• exam2/: 第二个实验项目(Fashion MNIST图像处理)
• exam3/: 第三个实验项目(MNIST手写数字识别)
• exam4/: 第四个实验项目
• workbook1/: 逻辑回归实验项目
• workbook2/: Softmax回归实验项目
• workbook3/: 神经网络实验项目
  • pytorch/: PyTorch实现
  • tensorflow/: TensorFlow实现
  • mindspore/: MindSpore实现
• workbook4/: MindSpore基础知识学习
• workbook5/: MindSpore进阶编程
• workbook6/: 生成对抗网络(GAN)与自然语言处理(NLP)
• workbook7/: MNIST手写数字识别
• workbook8/: Cifar10图像分类
• workbook9/: 第九个工作簿项目
• habit-tracker/: 习惯追踪应用
• llm/: 深度学习与Transformer模型
• d2l-mindspore/: 深度学习实践课程
  • chapter_02_preliminaries/: 预备知识
  • chapter_03_linear-networks/: 线性网络
  • chapter_04_multilayer-perceptrons/: 多层感知机
  • chapter_05_deep-learning-computation/: 深度学习计算
  • chapter_06_convolutional-neural-networks/: 卷积神经网络
  • chapter_07_convolutional-modern/: 现代卷积网络
  • chapter_08_recurrent-neural-networks/: 循环神经网络
  • chapter_09_recurrent-modern/: 现代循环网络
  • chapter_10_attention_mechanisms/: 注意力机制
  • chapter_11_optimization/: 优化算法
  • chapter_12_computational-performance/: 计算性能
  • chapter_13_computer-vision/: 计算机视觉
  • chapter_14_natural_language_processing_pretraining/: 自然语言处理预训练
  • chapter_15_natural_language_processing_applications/: 自然语言处理应用
• d2l-paddle/: 深度学习实践课程
  • chapter_attention-mechanisms/: 注意力机制
  • chapter_computer-vision/: 计算机视觉
  • chapter_convolutional-modern/: 现代卷积网络
  • chapter_installation/: 安装指南
  • chapter_introduction/: 介绍
  • chapter_linear-networks/: 线性网络
  • chapter_multilayer-perceptrons/: 多层感知机
  • chapter_notation/: 符号说明
  • chapter_optimization/: 优化算法
  • chapter_preface/: 前言
  • chapter_preliminaries/: 预备知识
  • chapter_recurrent-modern/: 现代循环网络
  • chapter_references/: 参考文献
• d2l-tensorflow/: 深度学习实践课程
  • chapter_attention-mechanisms/: 注意力机制
  • chapter_computer-vision/: 计算机视觉
  • chapter_convolutional-modern/: 现代卷积网络
  • chapter_installation/: 安装指南
  • chapter_introduction/: 介绍
  • chapter_linear-networks/: 线性网络
  • chapter_multilayer-perceptrons/: 多层感知机
  • chapter_notation/: 符号说明
  • chapter_optimization/: 优化算法
  • chapter_preface/: 前言
  • chapter_preliminaries/: 预备知识
  • chapter_recurrent-modern/: 现代循环网络
  • chapter_references/: 参考文献
• d2l-pytorch/: 深度学习实践课程
  • chapter_attention-mechanisms/: 注意力机制
  • chapter_computer-vision/: 计算机视觉
  • chapter_convolutional-modern/: 现代卷积网络
  • chapter_installation/: 安装指南
  • chapter_introduction/: 介绍
  • chapter_linear-networks/: 线性网络
  • chapter_multilayer-perceptrons/: 多层感知机
  • chapter_notation/: 符号说明
  • chapter_optimization/: 优化算法
  • chapter_preface/: 前言
  • chapter_preliminaries/: 预备知识
  • chapter_recurrent-modern/: 现代循环网络
  • chapter_references/: 参考文献

实验项目概述

demo1

• 番茄钟计时器Web应用
• 功能特性:
  • 可自定义工作时间、短休息和长休息时长
  • 任务管理系统(添加、完成、删除任务)
  • 统计功能(每日专注时间、每周番茄钟数量、任务完成数)
  • 数据可视化图表(Chart.js)
  • 主题切换(明暗模式)
  • 音效通知
  • 键盘快捷键支持
  • PWA支持(Progressive Web App)
  • 本地存储数据持久化
• 技术栈: HTML5, CSS3, JavaScript, Chart.js
• 文件结构:
  • index.html: 主页面
  • css/styles.css: 样式文件
  • js/app.js: 核心逻辑
  • assets/: 图标和音效资源
  • manifest.json: PWA配置

demo2

• 多智能体AI金融分析师
• 功能特性:
  • 使用CrewAI框架构建多智能体系统
  • 集成SambaNova LLM进行智能分析
  • 实时股票数据获取和分析
  • 专业投资报告生成
  • Streamlit Web界面
• 技术栈: Python, Streamlit, CrewAI, SambaNova API, YFinance
• 核心组件:
  • financial_analyst.py: 主应用程序
  • tools/financial_tools.py: 金融数据工具
  • 股票分析智能体和报告撰写智能体

demo5

• 网站设计项目
• 功能特性:
  • "国有技术"主题网站
  • 响应式设计
  • Bootstrap美化
  • 表格展示和交互功能
  • 学生成绩管理系统
  • "科技与生活"主题页面
• 技术栈: HTML5, CSS3, JavaScript, Bootstrap
• 文件结构:
  • index.html: 主页面
  • about.html: 关于页面
  • score.html: 成绩管理页面
  • tech_life.html: 科技与生活页面
  • styles.css: 样式文件
  • README.md: 项目说明

habit-tracker

• 习惯追踪应用
• 功能特性:
  • 习惯管理和追踪
  • 进度可视化
  • 数据持久化
• 技术栈: 待补充

exam1

• 基础Python编程练习
• 数据可视化基础
• 使用Matplotlib绘制图表

exam2

• Fashion MNIST数据集处理
• 图像采样和增强技术
• 使用TensorFlow加载数据集
• CNN模型训练与评估

exam3

• MNIST手写数字识别
• 手写数字图像预处理
• 数字图像格式转换(CSV)
• 使用Keras构建神经网络模型
• 包含手写数字样本(handwritten_digits/)和MNIST格式样本(mnist_format_digits/)

workbook1

• Iris数据集逻辑回归分类(Setosa vs Virginica)
• 特征选择: 花瓣长度和宽度
• 超参数调优实验(学习率0.001-10.0, 迭代次数100-200)
• 测试准确率: 100% (最佳参数组合)
• 决策边界可视化
• 学习率与损失函数关系分析
• 迭代次数与准确率关系分析

workbook2

• Iris数据集Softmax回归多分类
• 使用LogisticRegression实现Softmax回归
• 特征选择: 花瓣长度和宽度
• 默认参数: C=100, max_iter=1000
• 测试准确率: 约97%

workbook3

PyTorch实现

• Iris数据集分类任务
• 单层神经网络架构
  • 输入层: 4个特征(花萼长度、花萼宽度、花瓣长度、花瓣宽度)
  • 输出层: 3个类别(setosa, versicolor, virginica)
  • 激活函数: Softmax
• 训练过程:
  • 数据预处理: 标准化特征值
  • 损失函数: 交叉熵损失
  • 优化器比较: SGD, Adam, RMSprop
  • 超参数调优:
    • 学习率: 0.001, 0.01, 0.1
    • 训练轮次: 50, 100, 200
• 可视化对比不同超参数组合下的模型表现

TensorFlow实现

• Iris数据集分类任务
• 神经网络架构
• 训练过程和超参数调优

MindSpore实现

• Iris数据集分类任务
• 使用MindSpore构建神经网络
• 训练过程和性能评估

workbook4

• MindSpore 基础知识学习
• 内容包括：Tensors, Datasets, Models, Transforms, Training, Saving/Loading Models
• 使用 MNIST 数据集进行实践

workbook5

• MindSpore进阶编程
• 内容包括：数据集处理、模型构建、错误分析、混合精度训练
• 使用 MindSpore 进行静态图编程实践

workbook6

• 生成对抗网络(GAN)与自然语言处理(NLP)
• 深度学习高级应用

workbook7

• MNIST手写数字识别
• 深度学习模型实现

workbook8

• Cifar10图像分类
• 计算机视觉应用

workbook9

• 第九个工作簿项目
• 待补充具体内容

运行要求

• Python 3.x
• 相关依赖库:
  • PyTorch (workbook3/pytorch)
  • TensorFlow (workbook3/tensorflow)
  • MindSpore (workbook3/mindspore)
  • Streamlit (demo2)
  • CrewAI (demo2)
  • scikit-learn
  • matplotlib
  • pandas
  • yfinance
• Web浏览器 (demo1, demo5)
• API密钥 (demo2需要SambaNova API密钥)

项目进展

• demo1: 番茄钟计时器Web应用
• demo2: 多智能体AI金融分析师
• demo3: 第三个演示项目
• demo4: 第四个演示项目
• demo5: 网站设计项目
• exam1: 基础练习
• exam2: 图像处理
• exam3: 手写数字识别
• exam4: 第四个实验项目
• workbook1: 逻辑回归
• workbook2: Softmax回归
• workbook3: 神经网络
• workbook4: MindSpore基础
• workbook5: MindSpore进阶编程
• workbook6: 生成对抗网络(GAN)与自然语言处理(NLP)
• workbook7: MNIST手写数字识别
• workbook8: Cifar10图像分类
• workbook9: 第九个工作簿项目
• habit-tracker: 习惯追踪应用
• llm: 深度学习与Transformer模型
• d2l-mindspore: 深度学习实践课程
• d2l-paddle: 深度学习实践课程
• d2l-tensorflow: 深度学习实践课程
• d2l-pytorch: 深度学习实践课程

最近更新

• 添加了demo2多智能体AI金融分析师项目
• 完善了demo5网站设计项目
• 新增habit-tracker习惯追踪应用
• 补充了各项目的技术栈和功能特性说明
• 更新了项目进展状态