SohoWare 工程解决方案
跳至内容
SohoBook教材
打开实验室

ML 实验室

14 个 SohoBook 实践训练器：探索数据、模型与学习，并浏览外部实验室和补充学习资料。

SohoBook 练习

引言

训练分拣器

选择样本，找出模型缺少的数据。

5–10 分钟 · 3 个任务 →Python 基础

变量侦探

预测变量值，观察 Python 如何更改对象。

5–10 分钟 · 3 个任务 →Python 基础

准备数据

组合处理步骤，找出有害转换。

5–10 分钟 · 3 个任务 →基本数学计算

矩阵变换空间

调整基底，观察线性变换的几何效果。

5–10 分钟 · 3 个任务 →基本数学计算

用 SVD 压缩图像

选择分量数量，衡量细节损失。

5–10 分钟 · 3 个任务 →基于统计与概率的学习模型

能相信警报吗？

在 1000 个零件上评估缺陷检测器。

5–10 分钟 · 3 个任务 →基于统计与概率的学习模型

自信错误的代价

将预测与真实分布对齐，观察损失。

5–10 分钟 · 3 个任务 →预测函数与通用预测理论

让模型拟合数据点

比较手动调整与梯度下降。

5–10 分钟 · 3 个任务 →预测函数与通用预测理论

用神经元构建曲线

观察每个神经元的贡献与未见样本上的误差。

5–10 分钟 · 3 个任务 →感知机与支持向量机（SVM）

训练单个神经元

跟踪错误修正与线性分类的局限。

5–10 分钟 · 3 个任务 →感知机与支持向量机（SVM）

构建 SVM 边界

探索核函数、间隔与支持向量。

5–10 分钟 · 3 个任务 →人工智能：定义、历史与未来

三种下棋方式

比较规则、搜索与经验学习。

5–10 分钟 · 3 个任务 →机器学习中的基本方法与伦理考量

机器人与错误奖励

修正奖励，使机器人送达货物。

5–10 分钟 · 3 个任务 →机器学习中的基本方法与伦理考量

过滤器误拦了谁？

比较两种策略对合成群体的影响。

5–10 分钟 · 3 个任务 →

更多资源

NVIDIA 课程：从人工智能基础到实践

八份外部学习材料，配有 SohoBook 的教学说明。可以选择学习路线或单门课程；预备知识与练习帮助读者将外部材料和教材章节联系起来。

组织方的课程概述与 SohoBook 编写的学习建议及练习分别呈现。本站描述提供三种语言；课程本身的语言、注册、实验访问和证书条件请以组织方说明为准。原始链接予以保留；courses.nvidia.com 地址会跳转至学习平台。

来源信息核对日期：2026年10月15日。

建议学习顺序

NVIDIA

生成式人工智能导论

Generative AI Explained

组织方课程内容

这门 NVIDIA 入门课程介绍生成式人工智能的基本原理、应用实例、能力与局限，帮助学习者了解生成新内容的技术及其适用条件。应将它作为概念性导论，随后再深入学习具体模型的结构与应用开发。

SohoBook 学习指导

学习目标

学习目标是准确说明生成式模型解决什么问题，以及模型输出为何不等于经过核实的事实。建议比较生成、分类和搜索：它们可以同时出现在一个应用中，但需要采用不同的评价标准。

建议预备知识

初次学习不要求专门的数学基础。建议先阅读 SohoBook 的引言，明确数据、模型和训练的含义。观看时整理术语表，为每个定义配上实际使用系统的例子，避免只记名称而不理解概念。

重点关注

重点关注回答对提示和上下文的依赖、看似可信的错误以及适用范围。思考为什么语言连贯不能证明事实准确。值得进一步讨论的是，如何把演示转化为具有信息来源、质量标准和人工责任机制的实际工作流程。

实践价值

本材料有助于合理选择自动化任务，例如起草文本、转换内容和辅助信息分析。对每个场景分别明确可接受的错误、核验步骤和输入数据要求。先定义问题，再选择具体工具，是更稳妥的实践顺序。

自测练习

选择三项学习或职业任务，分别写出预期结果、一种可能的失败及其核验方法。再说明哪些任务使用普通搜索或算法即可完成，哪些任务能够从内容生成中获得额外价值。用具体例子支持结论，避免笼统评价人工智能的能力。

相关 SohoBook 章节

打开学习材料
返回课程目录

NVIDIA

神经网络：十分钟认识一个“人工大脑”

Building a Brain in 10 Minutes

组织方课程内容

这份 NVIDIA 简短教学材料介绍神经网络如何从数据中学习，以及人工神经元背后的数学运算。官方目录将 Python 列为使用工具。标题强调的是简短的入门形式；完整掌握相关数学仍需要后续的独立学习。

SohoBook 学习指导

学习目标

学习目标是把输入特征、权重、偏置和模型输出连接成完整的计算过程。必须区分按照既定参数执行计算，与在训练中调整参数。这一区别是进一步理解感知机、损失函数和优化方法的基础。

建议预备知识

复习加法、乘法、函数和向量表示。熟悉 Python 变量及简单表达式有助于阅读示例。如果符号尚不熟悉，先在纸上完成只有两个输入的计算，再与实现相同运算的程序表达式进行对照。

重点关注

追踪哪些量来自观测数据，哪些由开发者选择，哪些在训练中确定。注意非线性变换的作用和预测误差的含义。同时讨论生物学类比的边界：用于教学的数学模型并没有重现神经系统的全部结构与功能。

实践价值

本材料的实践价值在于能够完整理解一个小例子。不要只记忆库的名称，而应解释每个运算的作用及其对输出的预期影响。这种分析有助于发现维度错误，也有助于理解改变一个权重为何会影响预测结果。

自测练习

给定两个输入、两个权重和一个偏置，计算加权和。分别改变输入和权重并比较结果。说明训练还需要哪些信息，包括目标答案和误差度量。最后区分手工调整参数与依据数据选择更新量的学习算法。

相关 SohoBook 章节

打开学习材料
返回课程目录

NVIDIA · Coursera

人工智能基础设施与运维基础

AI Infrastructure and Operations Fundamentals

组织方课程内容

原先的“数据中心人工智能导论”链接现在指向 NVIDIA 在 Coursera 上更新的 AI Infrastructure and Operations Fundamentals。课程涵盖人工智能、机器学习与深度学习基础、软件栈、计算平台及基础设施运维，涉及 GPU 与 CPU、网络、存储、云部署、监控和编排。

SohoBook 学习指导

学习目标

学习目标是理解机器学习任务与执行该任务的系统之间的关系。应能够解释为什么仅凭模型参数无法选定硬件，以及为什么训练与处理用户请求对计算资源提出不同要求。

建议预备知识

组织方将本课程定位为入门课程。了解操作系统、文件、内存和网络连接的基本概念有助于深入学习。建议先阅读 SohoBook 引言，将不熟悉的基础设施术语单独记录，避免与算法及模型名称混淆。

重点关注

跟踪数据从存储、计算到结果交付的完整路径，重点关注带宽、延迟、可用内存和设备利用率。值得比较单个运算加速与整个系统性能提升之间的区别：更快的处理器并不能消除数据传输等待或内存不足。

实践价值

本材料有助于与基础设施工程师讨论架构并明确部署需求。可以针对一个教学项目，从资源可用性、管理方式和负载控制三个方面比较本地服务器与云环境。还应单独考虑可观测性：哪些指标能够发现性能下降？

自测练习

绘制一个接收文档并返回模型处理结果的服务，标明计算、内存、存储、网络和监控。分别针对训练与推理，提出一个可能的性能瓶颈和验证该假设的测量方法。论证应围绕数据流动展开，而不是简单罗列设备名称。

相关 SohoBook 章节

打开学习材料 当前课程页面
返回课程目录

NVIDIA

使用 RAG 扩展语言模型的能力

Augment Your LLM Using Retrieval Augmented Generation

组织方课程内容

这份 NVIDIA 入门材料介绍检索增强生成，即利用检索到的外部资料生成回答。它说明如何在不重新训练模型的情况下，为语言模型补充当前的领域数据。课程涉及 RAG 的基础概念，以及为回答用户问题而获取相关信息的检索过程。

SohoBook 学习指导

学习目标

学习目标是说明检索与生成这两个不同阶段如何协同工作，并理解知识来源可以位于模型参数之外。将 RAG 与直接向模型提问、微调模型进行比较，明确每种方法究竟改变了什么。

建议预备知识

建议先了解生成式人工智能及语言模型的基本工作方式，并熟悉文本文档、搜索查询和数据集。初次理解概念不要求高等数学；应先掌握整体信息流，再进一步学习实现细节。

重点关注

分析文档准备、相关片段检索、上下文补充和答案生成的完整顺序。重点区分表面相似的文本与能够真正支持某项断言的证据。资料中没有答案，或不同文档相互矛盾的情形，尤其值得讨论。

实践价值

这种方法适用于参考手册、技术文档和学习资料。设计助手时，应分别评价检索质量与最终答案的准确性。连接文档库并不自动保证正确：仍需核实结论是否得到所检索资料的支持。

自测练习

选择一组公开文档，提出五个问题，其中一个应无法从资料中得到答案。为每个问题标出支持性片段，或注明缺乏依据。说明助手应如何回应，并解释在检查结果时如何区分检索错误与生成错误。

相关 SohoBook 章节

打开学习材料
返回课程目录

NVIDIA

基于语言模型开发 RAG 智能体

Building RAG Agents with LLMs

组织方课程内容

这门 NVIDIA 实践课程讨论如何构建利用文档与信息检索开展有依据对话的语言模型系统。内容涉及组件组合、文档表示、嵌入模型的使用和 RAG 智能体的实现。组织方还强调有效执行查询，以及根据用户需求扩展系统规模。

SohoBook 学习指导

学习目标

学习目标是从 RAG 的概念框架过渡到理解实际应用。应能够解释文档加载、检索、上下文组织、模型调用和回答处理的作用。将系统视为一系列相互连接的操作，有助于验证行为并定位错误。

建议预备知识

建议熟练掌握 Python 基本语法、函数和数据结构，并先完成 RAG 入门材料。能够阅读错误信息及使用教学笔记本也很有帮助。运行示例前，应确认当前课程环境及所用库的要求。

重点关注

重点分析文档表示与检索质量的联系、对话状态管理以及各组件的责任边界。可复现性尤其值得关注：固定的测试问题集能够支持系统版本之间的比较。应用成功启动与回答真正得到资料支持，是两个不同的评价目标。

实践价值

本材料适合用于构建技术说明书或学术资料助手。先使用规模较小、答案可由人工核验的公开语料。负载增加时，分别测量检索时间、生成时间和总响应时间，以测量结果为架构调整提供依据。

自测练习

设计一个 RAG 应用，并准备六个测试请求，包括一般问题、追问和资料中没有答案的问题。写出每项预期结果，再提出两项系统修改，说明哪些测量能够判断修改是否提升质量，还是仅仅改变了速度。

相关 SohoBook 章节

打开学习材料
返回课程目录

NVIDIA

在不改写代码的情况下加速数据科学流程

Accelerate Data Science Workflows with Zero Code Changes

组织方课程内容

这份 NVIDIA 材料介绍如何通过熟悉的编程接口，使用 GPU 加速数据处理和机器学习。课程目录列出了 RAPIDS 工具 cuDF、cuML、cuGraph，以及 pandas、scikit-learn 和 NetworkX。核心主题是在不完全重写现有分析流程的情况下，把适合的计算转移到加速器上。

SohoBook 学习指导

学习目标

学习目标是理解兼容接口在什么条件下能够保留熟悉的程序结构并加快计算。应结合受支持的操作和具体环境理解课程标题；它不意味着任意 Python 代码都会自动提速，也不意味着完全无需配置运行环境。

建议预备知识

建议具备 Python 基础，并实践过表格筛选、分组和连接操作。理解模型训练及结果验证的目的也很重要。实践前应区分数据量、运算次数和可用内存，因为这些因素会影响计算资源的选择。

重点关注

关注数据类型兼容性、操作支持范围以及 CPU 与 GPU 之间的数据传输成本。比较完整任务的运行时间，而不是只测量一个加速片段。小数据集尤其值得研究，因为额外开销可能超过并行计算带来的收益。

实践价值

这种方法适合重复性分析和机器学习实验。合理迁移应从测量原有流程、核对结果一致性开始。记录库版本、硬件条件和输入规模；缺少这些信息，性能比较就难以复现，也难以解释。

自测练习

选择一项表格操作，设计三种数据规模下的 CPU 与 GPU 对比实验。明确计时是否包含数据加载、如何处理预热，以及如何核验输出。没有 GPU 时，可以提交实验方案与假设，但不能把预期值当作实际测量结果。

相关 SohoBook 章节

打开学习材料
返回课程目录

NVIDIA Developer · YouTube · Class Central

推荐系统：竞赛方案解析

Mastering Recommender Systems · Grandmaster Series

组织方课程内容

这是 NVIDIA Developer 的 Grandmaster Series 视频研讨会，发布于 YouTube，并收录在 Class Central 目录中。参与者分析电子商务推荐竞赛的解决方案。公布的主题包括两阶段模型、利用共同访问矩阵生成候选项、为重新排序构建特征，以及模型集成。

SohoBook 学习指导

学习目标

学习目标是理解为什么推荐任务要先选出有限数量的候选项，再对它们进行更精确的排序。同时应说明用户交互事件与模型预测下一步行为所使用信号之间的联系。

建议预备知识

建议在学习基础统计、机器学习和表格数据处理后观看。复习特征、训练样本及质量评估的含义。可以先分析一个小型用户事件日志，使研讨会中的术语与具体输入数据结构对应起来。

重点关注

区分商品在会话中共同出现、因果关系和稳定用户偏好。分析特征时，应追问这些信息在推荐发生的当时是否已经可用。竞赛指标与真实用户体验之间的差异尤其值得深入讨论。

实践价值

本研讨会展示如何从工程角度分析复杂问题，并比较优秀团队的方案。迁移这些方法时，需要考虑目录规模、商品更新和新用户。竞赛成绩是在特定数据与评价条件下取得的结果，不能作为普遍有效的保证。

自测练习

编写五段简短的商品浏览会话，手工统计商品对的共同出现次数。提出下一次推荐的候选项，再设计两个排序特征。解释如何利用未来事件评价结果，以及为什么在预测时使用未来信息会高估系统质量。

相关 SohoBook 章节

打开学习材料
返回课程目录

NVIDIA · Coursera

计算机网络导论

Introduction to Networking

组织方课程内容

这门 NVIDIA 在 Coursera 上的课程介绍网络的用途、组成部分和网络方案需求。内容包括 OSI 模型、TCP/IP 协议族、Ethernet 基础、寻址以及交换机中的帧转发。另有专门部分讨论数据中心的需求和相应网络环境的设计原则。

SohoBook 学习指导

学习目标

学习目标是解释数据如何经过不同网络层在应用之间传递。在人工智能场景中，这有助于理解数据集加载、远程模型调用和分布式基础设施。网络传输本身构成任务执行时间的一部分。

建议预备知识

熟练使用计算机，并大致了解服务器与客户端应用，即可开始学习。建议区分文件、进程和网络连接。学习时制作分层表格，把每层的功能、使用的地址和所传递的信息示例联系起来。

重点关注

重点区分 Ethernet 帧、IP 数据包和传输层通信。同时明确带宽与延迟描述的是不同性质。值得追踪的问题是：当应用受数据传输限制时，为什么提高服务器算力并不一定缩短响应时间？

实践价值

本材料有助于准确提出数据处理服务的需求，并与网络工程师讨论故障。实际分析时，分别考察建立连接、发送请求、执行计算和接收结果所需的时间。这样可以用可观测指标逐项检验假设，逐步定位延迟原因。

自测练习

绘制从浏览器到模型服务器并返回的请求路径，标明 Ethernet、IP 和传输协议的作用，避免混淆不同层次。比较大量短请求与上传大型数据集两种场景，解释哪种场景更受延迟影响，哪种更依赖带宽。

相关 SohoBook 章节

打开学习材料
返回课程目录
HF Viewer 截图，展示 Hugging Face 模型架构图。

HF Viewer

https://hfviewer.com/

可以学到什么

把 Hugging Face 模型架构展示为图：层、重复模块、分支和整体数据流。适合在读完 model card 后进一步理解模型内部结构。

如何使用

打开资源，粘贴 Hugging Face 链接或 repo id，例如 `gpt2`，从总览逐步查看细节。快速比较时可先打开首页的热门模型。

打开资源
Algorithm Visualizer 截图，包含算法菜单和代码编辑器。

Algorithm Visualizer

https://algorithm-visualizer.org/

可以学到什么

帮助建立算法和数据结构的逐步直觉：排序、图、动态规划、搜索和树。学习者不仅看代码，还能看到算法状态如何变化。

如何使用

在左侧菜单选择主题，点击 Play 并观察可视化过程。然后修改输入或代码，测试边界情况，理解算法为何这样运行。

打开资源
MICROGPT LAB 截图，显示 English Name MicroGPT Inside 页面。

MICROGPT LAB

https://ko-microgpt.vercel.app/

可以学到什么

展示小型 GPT 如何读取数据、对字符分词、学习模式并生成新名字。它把语言模型的抽象概念变成可观察的学习实验。

如何使用

从 Start from data 开始，按顺序查看数据、token、训练和生成面板。界面允许时调整参数，并比较生成结果。

打开资源
paperdraw.dev 截图，展示分布式系统图和仿真面板。

paperdraw.dev

https://paperdraw.dev/

可以学到什么

训练系统思维：分布式架构组件、请求流、延迟、过载和容错。适合从 ML 模型过渡到围绕模型构建真实服务。

如何使用

选择模板或用组件搭建设计图，连接数据流并启动仿真。然后开启 chaos 场景，观察设计在哪里失效、哪些节点需要加强。

打开资源