AI 人工智能核心技术
机器学习基础
定义：机器学习（Machine Learning，简称 ML）是让计算机通过数据自动发现规律，并利用这些规律进行预测或决策的技术。
核心类型：
- 监督学习（Supervised Learning）
- 原理：通过带标签的数据（如“邮件内容+是否垃圾邮件”）训练模型。
- 案例：房价预测（输入房屋面积、地段，输出价格）、人脸识别（输入图片，输出姓名）。
- 常用算法：线性回归、决策树、支持向量机（SVM）。
- 无监督学习（Unsupervised Learning）
- 原理：从未标注数据中发现隐藏模式（如用户分组、异常检测）。
- 案例：电商用户聚类分析（将消费者分为“价格敏感型”“品牌忠诚型”等）。
- 常用算法：K均值聚类（K-Means）、主成分分析（PCA）。
- 强化学习（Reinforcement Learning）
- 原理：通过试错与环境交互（如游戏对局），根据奖励信号优化策略。
- 案例：AlphaGo 的围棋策略、机器人行走控制。
- 关键词：智能体（Agent）、奖励函数（Reward Function）。
神经网络与深度学习
神经网络基础：
- 神经元模型：模仿生物神经元，输入信号加权求和后通过激活函数（如 ReLU）输出。
- 多层感知机（MLP）：包含输入层、隐藏层、输出层的经典结构。
深度学习革命：
- 卷积神经网络（CNN）
- 特点：通过卷积核提取局部特征（如边缘、纹理），适合图像处理。
- 经典模型：AlexNet（2012）、ResNet（2015）。
- 应用：人脸识别、医学影像分析（如X光片病灶检测）。
- 循环神经网络（RNN）
- 特点：引入时间维度记忆能力，适合序列数据（如文本、语音）。
- 局限：长距离依赖处理困难 → 催生长短期记忆网络（LSTM）。
- Transformer
- 突破：通过自注意力机制（Self-Attention）并行处理全局关系，彻底改变自然语言处理。
- 代表模型：BERT（理解文本）、GPT 系列（生成文本）。
自然语言处理（NLP）
核心技术栈：
- 词向量（Word Embedding）
- 目标：将词语映射为数值向量（如“国王 - 男人 + 女人 = 女王”）。
- 工具：Word2Vec（2013）、GloVe（2014）。
- 语言模型（Language Model）
- 任务：预测句子中下一个词的概率分布。
- 进化：从 N-gram 统计模型 → RNN → Transformer → GPT-4（千亿参数）。
- 关键技术应用：
- 机器翻译：Google Translate基于Transformer实现多语言互译。
- 情感分析：分析评论正负面情绪（如监测社交媒体舆情）。
- 对话系统：ChatGPT 通过大规模预训练实现开放域对话。
计算机视觉（CV）
核心任务：
- 图像分类（Image Classification）
- 经典数据集：ImageNet（1400万标注图像，1000个类别）。
- 工业应用：工厂质检（识别零件缺陷）、农业（病虫害检测）。
- 目标检测（Object Detection）
- 技术难点：定位（Bounding Box）与分类同步进行。
- 主流框架：YOLO（You Only Look Once）、Faster R-CNN。
- 图像生成（Image Generation）
- 生成对抗网络（GAN）：通过生成器与判别器对抗训练，创造逼真图像。
- 扩散模型（Diffusion Model）：Stable Diffusion 通过逐步去噪生成高清图片。