Um roteiro visual de aprendizado baseado em linha do tempo que acompanha as famílias de arquiteturas de deep learning e LLM, da RNN de 1986 aos modelos de raciocínio de 2025.
869+2 esta semana158TypeScriptMITAtualizado mês passado
ben1234560/AiLearning-Theory-Applying
Repositório em formato de curso, em chinês, sobre fundamentos matemáticos de IA, machine learning, deep learning, Transformer, BERT e estudos de caso de competições, com código comentado e datasets.
- Estrelas
- 3,585
- Forks
- 476
- Issues abertas
- 3
- Último commit
- há 20 dias
O que é?
AiLearning-Theory-Applying é um repositório de aprendizado em chinês para quem está começando em IA. O conteúdo percorre os fundamentos matemáticos (cálculo, álgebra linear, probabilidade e estatística), algoritmos clássicos de machine learning, como KMeans e análise bayesiana, tópicos de deep learning, de redes neurais a CNN, RNN e LSTM, e NLP moderno com Transformer e BERT.
Além de notas teóricas, o repositório traz projetos práticos baseados em competições do Kaggle e competições chinesas de dados, incluindo detecção de fraude em cartão de crédito, previsão do tempo de viagem em estradas e análise de sentimentos em chinês com BERT. Muitos projetos vêm com os datasets e código amplamente comentado para que os leitores possam executar e reproduzir os resultados.
O conteúdo é organizado em uma trilha de estudos dividida em capítulos, com artigos em Markdown e Jupyter Notebooks. O material é voltado a quem quer acompanhar as etapas e reproduzir os exemplos, em vez de apenas ler análises teóricas abstratas.
Recursos principais
- 01Reúne em uma única trilha os fundamentos matemáticos, machine learning clássico, deep learning e teoria de Transformer/BERT.
- 02Oferece projetos baseados em competições, como detecção de fraude em cartão de crédito e previsão do tempo de viagem.
- 03Inclui datasets e código comentado em muitos projetos para que seja possível reproduzir os exemplos.
- 04Traz um tutorial de análise de sentimentos em chinês com BERT e o código original.
- 05Combina explicações em Markdown com Jupyter Notebooks.
Casos de uso
- Aprender a matemática por trás do machine learning antes de desenvolver modelos.
- Acompanhar projetos passo a passo no estilo Kaggle para praticar modelagem de dados.
- Estudar o funcionamento de Transformer e BERT com explicações comentadas.
- Preparar-se para competições chinesas de dados de IA com exemplos resolvidos.
Antes de usar
- O conteúdo está escrito em chinês.
- O README informa que o material não pode ser usado para fins comerciais, o que entra em conflito com a licença MIT nos metadados.
Em coleções
Tópicos
Perguntas frequentes
- O que é AiLearning-Theory-Applying?
- Repositório em formato de curso, em chinês, sobre fundamentos matemáticos de IA, machine learning, deep learning, Transformer, BERT e estudos de caso de competições, com código comentado e datasets. AiLearning-Theory-Applying é um repositório de aprendizado em chinês para quem está começando em IA. O conteúdo percorre os fundamentos matemáticos (cálculo, álgebra linear, probabilidade e estatística), algoritmos clássicos de machine learning, como KMeans e análise bayesiana, tópicos de deep learning, de redes neurais a CNN, RNN e LSTM, e NLP moderno com Transformer e BERT.
- AiLearning-Theory-Applying é gratuito? Qual é a licença?
- AiLearning-Theory-Applying é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
- AiLearning-Theory-Applying ainda é mantido?
- Manutenção ativa. O último commit de AiLearning-Theory-Applying foi em 18 de out. de 2026.
- Para que posso usar AiLearning-Theory-Applying?
- Aprender a matemática por trás do machine learning antes de desenvolver modelos. Acompanhar projetos passo a passo no estilo Kaggle para praticar modelagem de dados. Estudar o funcionamento de Transformer e BERT com explicações comentadas. Preparar-se para competições chinesas de dados de IA com exemplos resolvidos.
- Onde consigo AiLearning-Theory-Applying?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/ben1234560/AiLearning-Theory-Applying
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Coleção de exemplos em Jupyter Notebook que implementam diversas arquiteturas de deep learning e técnicas de treinamento em PyTorch e TensorFlow.
17,6 mil4,1 milJupyter NotebookMITAtualizado mês passado
Curso de 100 dias sobre machine learning em chinês, com código Python, anotações e exercícios; até agora, cobre do Dia 1 ao 54.
22,2 mil5,5 milPythonMITBem mantidoAtualizado há 15 dias
Curso online gratuito e prático, com foco em código, e coleção de notebooks para aprender deep learning com PyTorch, dos fundamentos à implantação de modelos.
19,4 mil+69 esta semana5,2 milJupyter NotebookMITAtualizado mês passado
Framework para definir modelos de ponta em machine learning para texto, visão, áudio e tarefas multimodais, voltado a inferência e treinamento.
168,6 mil+232 esta semana35,1 milPythonApache-2.0Atualizado há 22 horas
Coleção com mais de 90 projetos práticos de tutorial sobre LLMs, pipelines de RAG e agentes de IA, organizados por nível de dificuldade.
41,3 mil+1,2 mil esta semana6,6 milJupyter NotebookMITAtualizado há 6 dias