[AI 课程推荐] 谷歌、微软、哈佛大学, DeepLearning.AI都发布了免费的人工智能和ChatGPT的课程。
以下是 2024 年掌握人工智能的顶级课程:

• GOOGLE - 生成式人工智能学习路径
• 微软- 为每个人提供生成式人工智能
• 微软 - 人工智能初学者入门
• 哈佛 - CS50 的 Python 人工智能简介
• DeepLearning.AI ——面向开发人员的 ChatGPT Prompt 工程课程
• DeepLearning.AI-扩散模型如何工作
• 台大李宏毅-生成式人工智能导论

课程地址：生成式 AI 学习路径

学习路径包括以下几个部分：

1. 生成式AI简介：入门级微学习课程，旨在解释生成式AI是什么，它如何被使用，以及它与传统机器学习方法的区别。同时，课程还涵盖了Google的工具，以帮助你开发自己的生成式AI。
2. 大型语言模型简介：入门级微学习课程，探讨了大型语言模型是什么，它们可以在哪些用例中被利用，以及如何使用提示调优来提高大型语言模型的性能。
3. 负责任的AI简介：入门级微学习课程，旨在解释负责任的AI是什么，为什么它重要，以及Google如何在他们的产品中实施负责任的AI。
4. 生成式AI基础：通过完成生成式AI简介、大型语言模型简介和负责任的AI简介课程，你可以获得一个技能徽章。通过通过最后的测验，你将展示你对生成式AI基础概念的理解。

此外，学习路径还包括了图像生成、编码器-解码器架构、注意力机制、Transformer模型和BERT模型、创建图像字幕模型、生成式AI工作室介绍以及生成式AI探索者 – Vertex AI等课程。

课程地址：面向初学者的生成式人工智能课程

该课程总共 12 课时，每节课包含一个简短的主题视频介绍，课中讲解的项目还会有 Juypter Notebook 代码示例，除此之外，用户还能链接到额外的资源，进行更深入的学习。
接下来，我们看看每节课的主要内容是什么。

• 课时 1：如何学习本门课程，主要介绍这门课程有哪些结构，让读者了解这门课程大概讲的是什么；
• 课时 2：介绍生成式 AI 和LLM，让用户理解什么是生成式 AI 以及 LLM 是如何工作的；
• 课时 3：探索和比较不同的LLM，学习完本课时，以后该用哪个模型都会一清二楚；
• 课时 4：负责任地使用生成式AI，帮助用户了解基础模型的局限性和人工智能背后的风险；
• 课时 5：理解提示工程基础，熟练掌握提示的结构和用法；
• 课时6：如何创建高级提示，应用提示工程技术来改善提示的结果；
• 课时 7：构建文本生成应用程序；
• 课时8：构建聊天应用程序，学习完本课时，可以帮助用户构建一个图像生成应用程序；
• 课时9：使用向量数据库构建搜索应用程序，示例展示了创建一个使用 Embeddings 搜索数据的应用程序；
• 课时 10：构建低代码 AI应用程序；
• 课时 11：集成外部应用程序与函数调用；
• 课时 12：帮助开发者在开发生成式 AI 应用程序时应用 UX 设计原则。

在本课程中，将学习：

1. 人工智能的不同方法，包括带有知识表示和推理的“古老”符号方法（GOFAI）
2. 神经网络和深度学习是现代人工智能的核心。我们将使用两个最流行的框架（TensorFlow和PyTorch）中的代码来说明这些重要主题背后的概念。
3. 用于处理图像和文本的神经架构。我们将介绍最新的模型，但可能会缺乏一些最新的模型。
4. 不太流行的人工智能方法，例如遗传算法和多代理系统。

CS50 的《Python 人工智能简介》探索了现代人工智能基础的概念和算法，深入探讨了游戏引擎、手写识别和机器翻译等技术的诞生。

通过实践项目，学生可以将图搜索算法、分类、优化、强化学习以及人工智能和机器学习中的其他主题融入到自己的 Python 程序中，从而了解它们背​​后的理论。在课程结束时，学生将获得机器学习图书馆的经验以及人工智能原理的知识，使他们能够设计自己的智能系统。

课程地址：ChatGPT Prompt Engineering for Developers

这是一个短期课程，由吴恩达的 DeepLearning.AI 与 OpenAI 共同制作。在这个课程中，您将学习如何使用大型语言模型 (LLM) 快速构建新的强大应用程序。 使用 OpenAI API，您将能够快速构建学习创新和创造价值的能力，而这在以前是成本高昂、技术含量高或根本不可能的。
这门短期课程由 Isa Fulford ( 来自 OpenAI ) 和吴恩达 ( 来自 DeepLearning.AI) 教授，将介绍 LLM 的工作原理，提供即时工程的最佳实践，并展示如何在应用程序中使用 LLM API 来执行各种任务，包括：

• 总结（例如，总结用户评论）
• 推断（例如，情感分类、主题提取）
• 转换文本（例如，翻译、拼写和语法更正）
• 扩展（例如，自动撰写电子邮件）

在扩散模型如何工作中，你将深入熟悉扩散过程和执行该过程的模型。本课程不仅仅是简单地引入预先构建的模型或使用 API，还将教你从头开始构建扩散模型。

课程地址：How-diffusion-models-work

在本课程中：

• 探索基于扩散的生成人工智能的前沿世界，并从头开始创建您自己的扩散模型
• 深入熟悉扩散过程及其驱动模型，超越预先构建的模型和 API。
• 通过实验室采样、训练扩散模型、构建用于噪声预测的神经网络以及添加用于个性化图像生成的上下文，获得实用的编码技能。

课程网站：生成式人工智能导论
附b站资源：李宏毅2024春《生成式人工智能导论》

在本课程中你将会学到以下内容：

1. 生成式人工智慧基本概念。近年来，生成式人工智慧在各行各业中得到广泛讨论。本课程将从机器学习的基本概念出发，说明何谓生成式人工智慧，并探讨其所面临的独特挑战。

2. 文字生成技术。大型语言模型如ChatGPT和Bard已经逐渐融入我们的生活和工作中。本课程将解析这些模型如何通过网路上的大量资料进行学习，以及如何学会理解和回应人类的指令。我们还将探讨如何利用现有的大型语言模型工具来创建自己的人工智慧应用，并且体验如何训练自己的模型。

3. 优化生成式人工智慧的性能。通过适当的指令（Prompt）来引导大型语言模型是实现高效生成的关键。本课程将介绍如何通过不同的指令策略来提升模型的能力，并探讨如何利用反思技术来获得更准确的答案。

4. 工具与生成式人工智慧的结合。生成式人工智慧能够结合搜寻引擎、计算机等多种工具来增强其性能。本课程将探讨工具的使用如何影响生成式人工智慧的效能。

5. 生成式人工智慧的道德与挑战。随著生成式人工智慧的普及，其带来的道德议题也越来越受到关注。本课程将探讨人工智慧可能产生的偏见、歧视以及如何自动检测人工智慧生成的文本和语音等相关议题，并讨论如何针对这些问题提出解决方案。

6. 语音生成技术。现代的语音合成技术已经达到了非常拟真的程度，能够模仿不同人的声音并具有自然的抑扬顿挫。本课程将深入解析这些技术的工作原理，并展示一些实际的应用例子。