相关概念

AI的核心特点

学习能力：通过数据训练模型，使系统能够不断改进性能（如机器学习、深度学习）。
适应性：能根据新信息或环境变化调整行为。
自动化：在无需人工干预的情况下执行复杂任务。
模拟人类智能：尝试模仿人类的认知功能，如视觉识别、语音理解、逻辑推理等。

AI的主要类型

弱人工智能（Narrow AI）：专注于特定任务，例如：语音助手（小度、小爱同学）、推荐系统、图像识别等。
强人工智能（General AI）：具备与人类相当的通用智能，能跨领域学习和解决问题。
超级人工智能（Superintelligence）：超越人类智能水平的AI。

AI的应用领域

  • 医疗诊断
  • 自动驾驶
  • 金融风控
  • 智能客服
  • 科学研究加速
  • 内容生成（如写作、绘画、视频制作）

学习大纲

第一阶段：语言

目标：掌握编程语言工具，补齐必要的数学基础，理解AI基本概念。

  1. 编程语言：Python（核心中的核心）
    • 基础语法：变量、数据类型、控制流（if/for/while）、函数、模块与包。
    • 面向对象：类与对象、继承、多态。
    • 数据处理三剑客：
      • NumPy：矩阵运算、数组操作（AI的数学基石）。
      • Pandas：数据清洗、DataFrame操作、数据预处理。
      • Matplotlib / Seaborn：数据可视化，绘制图表分析数据。
  2. 数学基础（够用即可，不必深究证明）
    • 线性代数：向量、矩阵乘法、特征值与特征向量（理解神经网络权重的关键）。
    • 微积分：导数、偏导数、梯度下降法（理解模型如何“学习”和优化的核心）。
    • 概率论与统计：条件概率、贝叶斯定理、分布（正态分布等）、期望与方差。
  3. AI通识
    • 了解AI发展史、主要流派（符号主义、连接主义）。
    • 区分概念：人工智能(AI) vs 机器学习(ML) vs 深度学习(DL) vs 大语言模型(LLM)。

第二阶段：算法

目标：掌握传统机器学习算法，学会使用经典框架解决分类、回归等问题。

  1. 机器学习理论
    • 监督学习：
      • 回归算法：线性回归、逻辑回归。
      • 分类算法：K近邻(KNN)、支持向量机(SVM)、决策树、随机森林。
    • 无监督学习：
      • 聚类：K-Means、DBSCAN。
      • 降维：主成分分析(PCA)。
      • 模型评估：准确率、精确率、召回率、F1分数、ROC曲线、过拟合与欠拟合的处理（正则化、交叉验证）。
  2. 工具框架
    • Scikit-learn：熟练掌握其API，完成从数据加载、预处理、训练到评估的全流程。
  3. 实战项目
    • 泰坦尼克号生存预测（经典入门）。
    • 房价预测模型。
    • 手写数字识别（使用传统ML方法）。

第三阶段：大模型

目标：进入现代AI核心，掌握神经网络、Transformer架构及大模型应用。

  1. 深度学习基础
    • 神经网络原理：感知机、激活函数(ReLU, Sigmoid)、反向传播、损失函数。
    • 框架选择：PyTorch（目前学术界和工业界主流，推荐首选）或 TensorFlow/Keras。
    • 核心网络结构：
      • CNN（卷积神经网络）：用于图像识别、物体检测。
      • RNN/LSTM/GRU：用于序列数据（虽逐渐被Transformer取代，但需了解原理）。
  2. Transformer与大语言模型 (LLM)
    • Transformer架构：Self-Attention机制、Encoder-Decoder结构（理解BERT, GPT系列的基础）。
    • 大模型应用开发：
      • Prompt Engineering（提示词工程）：如何高效与大模型对话。
      • RAG（检索增强生成）：结合外部知识库构建问答系统（LangChain框架）。
      • 微调技术：LoRA、P-Tuning等参数高效微调方法，让大模型适应特定任务。
      • 多模态技术：理解图文生成（如Stable Diffusion, Midjourney原理）、视频生成模型。
  3. 实战项目
    • 使用PyTorch从头搭建一个CNN识别猫狗图片。
    • 基于Hugging Face调用预训练大模型，构建一个垂直领域的智能客服助手。
    • 利用LoRA微调开源模型（如Llama 3或Qwen），使其能写特定风格的诗歌或代码。

第四阶段：工程化

目标：将模型部署落地，关注前沿方向，构建个人作品集。

  1. MLOps与模型部署
    • 环境管理：Docker容器化、Conda虚拟环境。
    • 模型服务化：使用FastAPI/Flask将模型封装为API接口。
    • 云端部署：熟悉AWS、Azure或阿里云的AI算力平台，或使用Hugging Face Spaces部署Demo。
    • 版本控制：Git与GitHub协作流程。
  2. 前沿方向探索
    • 具身智能 (Embodied AI)：AI与机器人结合，感知并物理交互。
    • 强化学习 (RL)：AlphaGo原理，用于游戏AI或复杂决策控制。
    • AI Agent (智能体)：让AI自主规划任务、使用工具、多步推理。