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。
- 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
- 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
- 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
- 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
- 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
- 基础Python编程练习
- 数据可视化基础
- 使用Matplotlib绘制图表
- 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
- 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/)
- 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
- 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%
- 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
- Iris数据集分类任务
- 神经网络架构
- 训练过程和超参数调优
- 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
- 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
- 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
- 生成对抗网络(GAN)与自然语言处理(NLP)
- 深度学习高级应用
- MNIST手写数字识别
- 深度学习模型实现
- Cifar10图像分类
- 计算机视觉应用
- 第九个工作簿项目
- 待补充具体内容
- 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)
- 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
- 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