对谷歌生成人工智能课程介绍的诚实回顾

因此，谷歌最近刚刚发布了一份免费的生成人工智能入门课程列表，最大的问题是——它们值得大肆宣传吗？

我想这就是我来这里的目的。完成 Google 的生成式 AI 简介学习路径（在此处查看）后，这是我的两分钱。

目录

• 课程细分
  • 目标听众
  • 学习目标
  • 内容分析
  • 摘要/备忘单
• 最终判决（值得吗？）
• 其他资源

谷歌的生成式人工智能学习路径课程细分

目标听众

Google 的课程面向没有该主题相关技术知识的学生，或者正如他们的博客中所解释的，该课程是为非技术、与技术相关的受众设计的，这些受众担任销售、人力资源、营销和运营等角色。在这一点上，这意味着该课程不提供深入的操作方法，但确实对生成人工智能的基本概念进行了很好的介绍。

学习目标

这个想法是为了正确回答“但是生成式人工智能到底是什么？”这个问题。

该课程的重点是生成人工智能、大型语言模型和人工智能伦理。通过本课程，您还可以了解Google 提供的 AI 服务以及 Google 在整合负责任的 AI 实践方面所扮演的角色，其中包括案例研究、讲座式视频和测验。

内容分析

那么让我们来解读一下学习路径中的材料：

• 生成式人工智能简介 - 课程
• 大型语言模型简介 - 课程
• 负责任的人工智能简介 - 课程
• 生成式人工智能基础知识 - 带有技能徽章的课程
• 负责任的 AI：将 AI 原则应用于 Google Cloud - 课程

了解这一点，生成式人工智能基础课程基本上是前三门课程（Gen AI 简介、LLM 简介和 Responsible AI 简介）的汇编，但增加了测验。事情是这样的 - 如果您要在技能徽章课程之前完成课程，则无需重做。我对学习路径采用这种方式格式化的猜测是为了确保您在尝试生成人工智能基础知识技能徽章时实际上会浏览课程材料，而不是仅仅单击“下一步”。

从课程中挑选内容，以下是我开发的一些备忘单：

摘要 + 备忘单

生成式人工智能

从“什么是人工智能？”开始，它是计算机科学中的一个领域，模仿人类认知来执行复杂的任务并从中学习。在人工智能中，存在机器学习的子领域，它使用基于数据训练的算法来生成可以执行各种复杂任务的适应性模型。

机器学习有不同的类型，包括监督学习、无监督学习、强化学习和深度学习。深度学习使用人工神经网络，使其能够做出更复杂的模式，其中神经网络使用监督学习、无监督学习和半监督学习来实现其目标。深度学习模型有两种类型，即判别式和生成式。

生成式人工智能是一种人工智能技术，可以生成各种类型的内容，包括文本、图像、音频和合成数据。简而言之，GenAI 是一种基于从现有内容中学到的知识来创建新内容的人工智能。它使用称为训练的学习过程，该过程会创建统计模型，进而用于预测给出提示时的预期响应。

大型语言模型

大型语言模型被认为很大有两个因素：在具有大量参数的大型训练数据集上进行训练。参数通常称为超参数，本质上是机器学习的记忆和知识，用于定义模型解决问题的技能。法学硕士也是通用的，因为他们努力使用人类语言解决常见问题。

法学硕士有两种，即预训练模型和微调模型，预训练模型可以做“一切”，但有其实际局限性，而微调模型适合特定领域或旨在解决特定问题。值得注意的是，微调往往很昂贵，因此存在更有效的方法，例如参数高效调整方法 (PETM)，如提示调整。

要理解提示，它们本质上是提供给法学硕士以引发特定响应的输入。通常的误解是介于即时设计和即时工程之间。为了分解它，提示设计是针对系统被要求执行的特定任务而定制的，而提示工程旨在通过使用特定领域的知识、提供所需输出的示例以及使用以下关键字来提高模型的性能：已知对该特定系统有效。

Google 的 AI/ML 服务

Vertex AI 为基础模型提供了一个模型花园。考虑用户打算使用模型来预测客户满意度的用例，他们可以选择使用分类任务类型情感分析任务模型。

将 PaLM API 与 MakerSuite 集成可简化生成开发周期。 MakerSuite 包含大量资源，例如用于使用不同算法在用户数据上训练模型的模型训练工具、允许用户将模型部署到生产环境的模型部署工具以及用于监控模型在生产环境中的性能的模型监控工具。

GenAI Studio 允许用户使用预训练模型库、微调模型工具、将模型部署到生产环境的工具以及提供更多支持的社区论坛等资源快速探索和自定义 GenAI 模型。

GenAI App Builder 为用户提供了拖放界面、用于编辑应用程序内容的可视化编辑器、内置搜索引擎和对话式 AI 引擎。

Bard是一款对话式 AI 工具，本质上是类似于 ChatGPT 的 LLM。

Google 提供的免费人工智能课程 - 值得吗？

是的，用最简单的话来说，它们是。如果您了解我，您就会知道我始终坚持利用新的学习机会。

然而，值得注意的是，该课程并不完美。某些主题之间可能会有一些重叠，并且它只关注谷歌对人工智能行业的贡献。此外，测验可能不够具有挑战性，特别是考虑到每个模块通常每个测验仅包含 3-5 个问题。

然而，值得考虑的是，该课程是完全免费的，允许您在社交媒体平台和简历上展示您的成就。此外，课程简洁明了，不会占用您太多时间。相信我，我不到一天就走完了这条路👀

如何在 Google 课程之外继续您的生成式 AI 学习之旅

我认为我们的学习之旅永远不应该仅依赖于一个来源，以下是您可以看看的其他一些课程：

• DeepLearning.AI 的大型语言模型生成式 AI
• 微软的生成式人工智能简介
• AWS 上的生成式 AI 基础技术深度探究系列
• 你会说向量吗？通过 Datastax 了解法学硕士和生成人工智能的语言
• 通过 PaLM API 使用大型语言模型 (LLM) 的初学者指南

其他的：

• 抱脸
• 张量流
• 浪链