AI学习笔记（一）-初识AI

一、初识AI

1、什么是AI？

人工智能（Artificial Intelligence），英文缩写为AI。它是计算机科学的一个分支，研究用于模拟、延伸和扩展人的智能的理论或方法、技术及应用系统。它企图了解智能的实质，并生产出一种能与人类智能相似的智能机器，该领域的研究包括机器人、语言识别与处理、图像识别与处理、自然语言处理和专家系统等。

2、AI与传统程序设计的区别：

3、人工智能、机器学习、神经网络、深度学习几者间的关系：

（1）人工智能：

包含“机器学习”和“非机器学习”（如过去的专家系统，通过大量if-else定义规则）；

（2）机器学习：

包含“传统机器学习”、“强化学习”、“神经网络”等；机器学习是一门涉及概率统计学、系统辨识、逼近理论、神经生物学、优化理论、计算机科学、哲学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。

（3）传统的机器学习：

传统机器学习涵盖以下技术：

• 决策树算法(DTrees)：利用一系列规则进行分类学习的算法；
• 随机森林算法(RFTrees)：以决策树为估计器的Bagging算法；
• 支持向量机算法(SVM)：类神经网络，将数据映射到高维空间，寻找最大切分超平面的算法；
• K-近邻算法(KNN)：根据邻居的数据类别来决定自己的类别；
• 逻辑回归(LogisticRegression)
• 线性回归
• 朴素贝叶斯算法(Bayes Classification)：根据先前经验和样本信息来确定样本类别的算法；
• 正则化模型
• 模型集成（ensemble）
• 神经网络（ANN;这个发展为一门独立的新技术了，所以这个放在机器学习中）
• …

（4）强化学习：

像训兽师训练动物一样训练模型；当动物选择正确时给予奖励，选择失败时没有奖励或给予处罚。这种学习方式（称为强化学习）与传统监督机器学习的曲线拟合方法有很大不同。尤其是，强化学习学习得非常快，因为每一个新的反馈（例如执行一个行动并获得奖励）都会影响到随后的决定。

强化学习也提供了预测和优化的平滑整合，因为它在采取不同的行动时保持当前状态的信念和可能的转换概率，然后做出决定哪些行动可以导致最佳结果。

（5）神经网络：

神经网络也被称为类神经网络，它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。

① 神经网络：

神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。模型如下：

上面的图可以抽象为下图：

神经网络分类：

• 按照网络结构区分：前馈型网络、前馈内层互联网络、反馈型网络

• 其他作者的神经网络分类图：

② 神经元模型

③ 神经网络的优越性：

• 具有自学习功能：例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。
• 具有联想存储功能：用人工神经网络的反馈网络就可以实现这种联想。
• 具有高速寻找优化解的能力：寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，可能很快找到优化解。

（6）深度学习：

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

深度学习的诞生：2006年，Hinton提出了在非监督数据上建立多层神经网络的一个有效方法，具体分为两步：首先逐层构建单层神经元，这样每次都是训练一个单层网络；当所有层训练完后，使用wake-sleep算法进行调优。

4、传统学习与深度学习的区别：

• 明确了特征学习的重要性。也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更容易。
• 与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据丰富的内在信息。
• 与人工规则构造特征的方法相比，在进行学习前无须进行特征提取。降低了建模的难度和建模效果的不确定性，省事省力。
• 与人工规则构造特征的方法相比，减

5、新一代的AI可以理解为：AI=深度学习+强化学习+百科库

• 深度学习：一切运用了神经网络作为参数结构进行优化的机器学习算法。最基础的如：CNN（卷积神经网络），RNN（递归神经网络），LSTM（长期短期记忆），GAN（生成敌对网络）等。
• 强化学习：不仅能利用现有数据，还可以通过对环境的探索获得新数据，并利用实战数据循环往复地更新迭代现有模型的机器学习算法。
• 百科库：在训练力度不够时，采用百科库进行问答还是有必要的。

6、机器学习的学习方式有哪些？

（1）监督学习

有特征（feature）和标签（label）的，即便部分没有标签，机器也是可以通过特征和标签之间的关系，判断出标签。

（2）无监督学习

只有特征，没有标签。

（3）半监督学习

使用的数据，一部分是标记过的，而大部分是没有标记的。和监督学习相比较，半监督学习的成本较低，但是又能达到较高的准确度。

（4）强化学习

强化学习也是使用未标记的数据，但是可以通过一些方法知道你是离正确答案越来越近还是越来越远（奖惩函数）。

7、训练模型的一般步骤有哪些？

• 选择一个模型结构（例如逻辑回归，随机森林等）或神经网络预训练模型；
• 用训练数据（输入和输出）输入模型；
• 学习算法将输出最优模型（即具有使训练错误最小化的特定参数的模型）；
• 用验证数据验证模型；
• 用测试数据测试模型；

最后

感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。

因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

五、面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】