实时演示：AI 学会玩贪吃蛇
DQN 从完全不懂规则开始，在浏览器里边玩边学——前几十局乱撞，之后越来越聪明。这就是深度强化学习。
紫色 = 蛇头 | 红点 = 食物 | ε 趋近 0 时 AI 完全依赖策略，不再随机
趣味机器学习
用最少的公式、最直观的方式带你玩转 AI
不背公式，不抄代码——每个算法都能在浏览器里跑起来，看着参数实时变化，你自然就懂了。 从梯度下降到 Transformer，我们只讲你真正需要理解的那部分，剩下的交给直觉。
选一条路线，开始学习
按照目录全都学把，你赖不掉的 😄
算法全景图
算法发展历史
第一个数学神经元模型，证明了神经网络理论上可以实现任意逻辑运算。
Rosenblatt 提出第一个可学习的线性分类器，掀起第一次神经网络热潮。
Arthur Samuel 在跳棋程序论文中首次使用"Machine Learning"一词。
Lloyd 提出 K-Means 算法，成为无监督学习的经典基准。
Rumelhart、Hinton、Williams 发表 BP 算法，多层神经网络终于可以有效训练。
LeCun 将 CNN 应用于手写数字识别，奠定了计算机视觉的基础架构。
Hinton & Zemel 将自编码器用于无监督表示学习，压缩瓶颈迫使网络学习数据的本质特征。
Vapnik 提出 SVM，在小样本高维数据上表现优异，统治了 2000 年代的竞赛榜单。
Ester et al. 提出基于密度的聚类算法，能发现任意形状的簇并自动识别噪声点，无需预设簇数 K。
Sahami et al. 将朴素贝叶斯用于垃圾邮件过滤，简单的条件独立假设在 NLP 分类任务中表现出色。
Hochreiter & Schmidhuber 解决了 RNN 的梯度消失问题，让序列建模成为可能。
Breiman 提出随机森林，集成学习开始主导结构化数据任务。
Hinton 提出预训练方案，深度网络重新焕发活力，第三次 AI 热潮开始。
Mikolov 提出 Word2Vec，NLP 进入表示学习时代，"词有几何"成为现实。
深度 CNN 以碾压式优势赢得 ImageNet 竞赛，GPU 训练深度网络成为主流。
Goodfellow 提出 GAN，生成模型从此走向繁荣，AI 作画的起点。
Kingma & Welling 提出 VAE，将概率图模型与深度学习优雅结合。
He et al. 发明跳跃连接，解决了超深网络退化问题，152 层网络成为可能。
OpenAI 提出 PPO，用 Clip 操作替代 TRPO 的复杂约束，成为 RLHF 训练大模型的标准算法。
Google 团队发表 Transformer，自注意力机制取代 RNN，成为现代 AI 的基石。
Ho et al. 提出 DDPM，扩散模型在图像生成质量上全面超越 GAN。
OpenAI 发布 ChatGPT，大语言模型走进大众视野，AI 应用进入新纪元。
GPT-4、Gemini、Claude 等多模态大模型涌现，AI Agent 开始自主完成复杂任务。