Una ruta visual de aprendizaje basada en una cronología que recorre las familias de arquitecturas de deep learning y LLM, desde las RNN de 1986 hasta los modelos de razonamiento de 2025.
869+2 esta semana158TypeScriptMITActualizado el mes pasado
ben1234560/AiLearning-Theory-Applying
Repositorio en chino, organizado como un curso, que abarca fundamentos matemáticos de IA, machine learning, deep learning, Transformer, BERT y casos de competiciones, con código comentado y datasets.
- Estrellas
- 3,585
- Forks
- 476
- Issues abiertos
- 3
- Último commit
- hace 20 días
¿Qué es?
AiLearning-Theory-Applying es un repositorio educativo en chino para quienes empiezan a aprender IA. Recorre los fundamentos matemáticos (cálculo, álgebra lineal, probabilidad y estadística), algoritmos clásicos de machine learning como KMeans y el análisis bayesiano, temas de deep learning que van desde las redes neuronales hasta CNN, RNN y LSTM, y NLP moderno con Transformer y BERT.
Además de apuntes teóricos, el repositorio incluye proyectos prácticos basados en Kaggle y en competiciones chinas de datos, como la detección de fraude con tarjetas de crédito, la predicción del tiempo de viaje por carretera y el análisis de sentimiento en chino con BERT. Muchos proyectos incluyen sus datasets y código ampliamente comentado para que los lectores puedan ejecutarlos y reproducir los resultados.
El contenido está organizado como una ruta de aprendizaje por capítulos, con artículos en Markdown y Jupyter Notebooks. Está dirigido a quienes quieren seguir los pasos y reproducir los ejemplos, en lugar de leer reseñas abstractas.
Funciones clave
- 01Abarca los fundamentos matemáticos, machine learning clásico, deep learning y la teoría de Transformer/BERT en una sola ruta de aprendizaje.
- 02Ofrece proyectos basados en competiciones, como la detección de fraude con tarjetas de crédito y la predicción del tiempo de viaje.
- 03Incluye datasets y código comentado para muchos proyectos, de modo que se puedan reproducir los ejemplos.
- 04Ofrece un tutorial de análisis de sentimiento con BERT en chino y el código original.
- 05Combina explicaciones en Markdown con Jupyter Notebooks.
Casos de uso
- Aprender las matemáticas que fundamentan machine learning antes de programar modelos.
- Seguir proyectos paso a paso, al estilo de Kaggle, para practicar el modelado de datos.
- Estudiar cómo funcionan Transformer y BERT mediante explicaciones comentadas.
- Prepararse para competiciones de datos de IA en chino con ejemplos resueltos.
Antes de usarlo
- El contenido está escrito en chino.
- El README indica que el material no se puede usar con fines comerciales, lo que entra en conflicto con la licencia MIT de los metadatos.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es AiLearning-Theory-Applying?
- Repositorio en chino, organizado como un curso, que abarca fundamentos matemáticos de IA, machine learning, deep learning, Transformer, BERT y casos de competiciones, con código comentado y datasets. AiLearning-Theory-Applying es un repositorio educativo en chino para quienes empiezan a aprender IA. Recorre los fundamentos matemáticos (cálculo, álgebra lineal, probabilidad y estadística), algoritmos clásicos de machine learning como KMeans y el análisis bayesiano, temas de deep learning que van desde las redes neuronales hasta CNN, RNN y LSTM, y NLP moderno con Transformer y BERT.
- ¿AiLearning-Theory-Applying es gratuito? ¿Qué licencia tiene?
- AiLearning-Theory-Applying es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿AiLearning-Theory-Applying sigue mantenido?
- Mantenimiento activo. El último commit de AiLearning-Theory-Applying fue el 18 oct 2026.
- ¿Para qué puedo usar AiLearning-Theory-Applying?
- Aprender las matemáticas que fundamentan machine learning antes de programar modelos. Seguir proyectos paso a paso, al estilo de Kaggle, para practicar el modelado de datos. Estudiar cómo funcionan Transformer y BERT mediante explicaciones comentadas. Prepararse para competiciones de datos de IA en chino con ejemplos resueltos.
- ¿Dónde consigo AiLearning-Theory-Applying?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/ben1234560/AiLearning-Theory-Applying
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Colección de ejemplos en Jupyter Notebook que implementan arquitecturas de deep learning y consejos de entrenamiento en PyTorch y TensorFlow.
17,6 mil4,1 milJupyter NotebookMITActualizado el mes pasado
Curso de machine learning de 100 días en chino, con código Python, apuntes y ejercicios; hasta ahora abarca del día 1 al 54.
22,2 mil5,5 milPythonMITBien mantenidoActualizado hace 14 días
Curso online gratuito y colección de notebooks, centrados en el código, para aprender deep learning con PyTorch, desde los fundamentos hasta el despliegue de modelos.
19,4 mil+69 esta semana5,2 milJupyter NotebookMITActualizado el mes pasado
Framework para definir modelos de aprendizaje automático de última generación de texto, visión, audio y modalidades múltiples, para inferencia y entrenamiento.
168,6 mil+232 esta semana35,1 milPythonApache-2.0Actualizado hace 15 horas
Colección de más de 90 proyectos tutoriales prácticos sobre LLM, pipelines RAG y agentes de IA, organizados por nivel de dificultad.
41,3 mil+1,2 mil esta semana6,6 milJupyter NotebookMITActualizado hace 6 días