从认识人工智能到理解机器学习:我的 AI 入门第一课

人工智能(AI)与机器学习(ML):塑造未来的技术引擎 人工智能是一种模拟、延伸和扩展人类智能的理论、方法、技术及应用系统。它旨在让计算机能够像人类一样思考、学习,并能在各种环境下自主地做出决策。AI的发展经历了从最初的符号主义、连接主义到如今的深度学习等多个阶段,每一次的突破都极大地推动了科技的进步。尽管AI与ML技术取得了巨大的进步,但它们仍然面临着诸多挑战。首先,数据的获取和标注是一个巨大的问题。高质量的标注数据是机器学习模型训练的关键,但数据的获取和标注往往需要耗费大量的人力和时间。其次,模型的泛化能力也是一个需要解决的问题。 阅读详情

title: “从认识人工智能到理解机器学习:我的 AI 入门第一课”
series: “人工智能学习笔记”
episode: 1

从认识人工智能到理解机器学习:我的 AI 入门第一课

人工智能学习笔记 · 第一篇
从行业全景到技术原理,记录我对人工智能入门知识的梳理与理解。

写在前面

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。

我把入门阶段需要建立的知识分成两个层次:

  • 先建立行业全景: 了解人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。
  • 再理解技术基础: 从机器学习的基本原理出发,逐步认识有监督学习、深度学习、模型训练与评估方法。

把这两个层次连起来,学习路径就比较清楚了:先知道 AI 是什么、能做什么,再理解机器如何从数据中学习规律。下面按照这个顺序梳理。


第一部分:先认识人工智能

1. 人工智能的发展:并不是一夜之间出现的

人工智能的发展经历了多次起伏,并不是从 ChatGPT 出现之后才开始的。

1.1 AI 发展的几个重要阶段

时间阶段主要事件
1950 年代AI 诞生图灵测试、达特茅斯会议
1970 年代第一次 AI 寒冬算力与数据不足,技术成果未达到过高预期
1980 年代专家系统知识工程兴起,出现短暂繁荣
1990 年代第二次 AI 寒冬规则数量膨胀,系统难以维护
2000 年代机器学习复兴SVM、随机森林和推荐系统逐渐应用
2012 年深度学习爆发AlexNet 在 ImageNet 竞赛中取得突破
2017 年以后大模型时代Transformer 出现,随后 BERT、GPT 等模型发展

1.2 两次 AI 寒冬带来的教训

两次 AI 寒冬的原因可以归纳为几个方面:

  • 算力不足:当时的计算能力远不如现在。
  • 数据不足:缺少大规模标注数据。
  • 期望过高:技术还不成熟,投资方和行业却期待过高。
  • 规则难以泛化:人工编写的规则无法覆盖现实世界的所有情况。

其中,1980 年代的专家系统是一个典型例子。

专家系统曾经取得过实际成果:

  • MYCIN:用于血液病诊断,曾被报道取得了超过部分专科医生的准确率。
  • XCON:用于计算机配置,曾为 DEC 节省数千万美元。

但专家系统也有明显局限:规则越来越多,知识更新和维护成本很高;遇到规则之外的情况时,也缺乏处理常识问题的能力。

我的理解: AI 的发展不仅需要技术突破,也需要对技术能力保持合理预期。规则可以解决一部分明确的问题,但现实世界太复杂,单纯依赖人工穷举规则很难覆盖所有情况。

2. 从深度学习到大模型

机器学习在 2000 年代逐渐复兴。之后,深度学习的发展又经历了几个关键节点:

  • 2006 年:Hinton 的深度信念网络推动深度学习研究。
  • 2009 年:ImageNet 发布,为大规模标注数据提供了条件。
  • 2012 年:AlexNet 在 ImageNet 竞赛中取得突破,错误率从传统方法的 26.2% 降到 15.3%。
  • 2017 年:Transformer 架构提出。
  • 2018 年以后:BERT、GPT-3 等模型推动大模型发展。
  • 2022 年:ChatGPT 引发广泛关注。

大模型发展过程中还有几个代表性节点:

  • BERT:能够双向理解上下文。
  • GPT-3:拥有 1750 亿参数,并展现出少样本学习能力。
  • ChatGPT:上线后用户增长很快。

这一阶段的发展趋势是:参数规模扩大,模型能力增强,应用范围扩大,成本逐渐降低。

3. AI、机器学习、深度学习是什么关系?

这三个概念经常一起出现,但它们并不是同一个东西。

概念含义代表内容
人工智能(AI)让机器表现出智能行为的技术专家系统、搜索算法、知识图谱、机器学习
机器学习(ML)让机器从数据中自动学习规律决策树、SVM、随机森林、神经网络
深度学习(DL)使用多层神经网络学习CNN、Transformer、GPT、BERT

它们之间是包含关系:深度学习属于机器学习,机器学习属于人工智能。

可以用一句话记忆:

  • AI 关注的是让机器表现出智能。
  • ML 是实现 AI 的一种主流方式,让机器从数据中学习规律。
  • DL 是 ML 的一个子集,使用多层神经网络学习。

4. AI 能做什么:六大研究方向

AI 的研究方向可以归纳为六类。

研究方向主要任务应用举例
计算机视觉(CV)图像分类、目标检测、人脸识别医学影像、人脸识别
自然语言处理(NLP)翻译、对话、摘要、信息抽取、代码生成智能客服、文本生成
语音技术(ASR/TTS)语音识别、语音合成、声纹识别语音助手、语音合成
强化学习(RL)决策序列、奖励反馈游戏博弈、机器人控制
推荐系统(RecSys)协同过滤、内容召回、排序、CTR 预估推荐流、内容推荐
多模态与具身智能图文融合、视频理解、机器人感知与行动视频理解、机器人

这些方向如今都在很大程度上建立在“深度学习 + 大规模预训练”的基础之上,底层技术栈存在较强的共通性。

5. 机器学习成功的三大支柱

机器学习的成功可以用一个公式概括:

AI 成功 = 算力(Compute)+ 数据(Data)+ 算法(Algorithm)

5.1 算力

  • CPU 主要以串行方式处理任务,GPU 擅长并行计算。
  • 神经网络训练涉及大量矩阵乘法。
  • 推理阶段可以通过量化压缩降低成本。
  • 代表性的算力硬件包括 A100、H100、TPU 和昇腾等。

5.2 数据

  • 数据不仅要有数量,也要有质量。
  • 脏数据可能影响模型效果。
  • 数据标注仍然需要人工参与,例如 RLHF 中的人类打分。
  • 常见的数据来源包括 ImageNet、Common Crawl 和企业私有数据等。

5.3 算法

相关算法与技术包括:

  • 模型结构:CNN、RNN、Transformer。
  • 损失函数:用于告诉模型应该学习什么。
  • 优化器:例如 Adam、SGD。
  • 正则化:例如 Dropout、BN,用于防止过拟合。
  • 还包括 Scaling Law、Attention、LoRA 和 RLHF。

这三者缺一不可:算力提供计算能力,数据提供学习材料,算法决定模型如何学习。

6. 机器学习的几种学习范式

按照模型如何获得学习信号,可以将学习方式区分为以下几类。

6.1 监督学习(Supervised Learning)

使用带标签的数据训练模型,学习输入到输出的映射关系。

例如:

  • 新闻分类。
  • 垃圾邮件识别。
  • 房价预测。
  • 销量预测。

6.2 无监督学习(Unsupervised Learning)

数据没有标签,模型需要从数据自身结构中发现规律。

例如:

  • 聚类:用户分群、相似文档归并。
  • 降维:PCA、t-SNE。
  • 异常检测:风控、故障预警。

6.3 自监督学习(Self-supervised Learning)

标签可以从数据本身构造出来,不需要人工逐条标注。

典型例子包括:

  • BERT 的 MLM:挖空填词。
  • GPT 系列的 Next-Token Prediction:预测下一个 Token。

自监督学习是大模型预训练的重要基础。

6.4 强化学习(Reinforcement Learning)

通过奖励与惩罚不断试错学习,常见应用包括游戏 AI、机器人控制和自动驾驶。

记忆重点: 监督学习有标签,无监督学习没有标签,强化学习通过奖励与惩罚进行试错,自监督学习则从数据本身构造学习目标。

7. NLP:让机器处理人类语言

NLP(自然语言处理)关注的是让计算机读懂、生成、翻译和处理人类语言,包括文字、语音和代码背后的意义。

7.1 NLP 的常见任务

任务主要作用例子
文本分类判断文本属于哪一类垃圾邮件识别、新闻分类
情感分析判断文本表达的情绪评论情绪、舆情监控
机器翻译将一种语言转换为另一种语言多语言翻译
问答系统根据问题提供答案知识库查询、智能客服
文本摘要提取长文本中的主要内容新闻摘要、会议纪要
信息抽取从文本中提取结构化信息命名实体识别、关系抽取

7.2 大模型给 NLP 带来的变化

大模型给 NLP 带来了四个明显变化:

过去现在的趋势
专一模型通用大模型,一个模型完成翻译、摘要、问答、代码等任务
需要大量标注少样本或零样本学习
规则 + 机器学习端到端生成
特征工程提示工程

7.3 NLP 技术演进

时间技术阶段代表技术
1990s–2005规则与统计词袋模型、TF-IDF、HMM
2013–2016词向量Word2Vec、GloVe、FastText
2014–2018序列模型LSTM、GRU、Seq2Seq、Attention
2018–2020预训练BERT、GPT-2
2020 至今大模型GPT-3/4、Claude、LLaMA、DeepSeek

需要特别注意:2017 年提出的 Transformer 是重要转折点。并行训练与注意力机制,使训练超大模型成为可能。

7.4 为什么 NLP 很难?

语言本身存在歧义。

词汇歧义: 同一个词可能有不同含义。

  • “他挂了”:可能指电话挂断,也可能有其他含义。
  • “苹果最近很火”:可能指 Apple 公司,也可能指水果。

句法歧义: 同一句话,断句方式不同,含义也可能不同。

  • “咬死了猎人的狗”可以有不同的断句理解。
  • “乒乓球拍卖完了”也可能因为断句不同而产生不同含义。

7.5 从语言模型到大模型

语言模型可以描述为一个概率问题:

P(w1,…,wT)=∏tP(wt∣w<t) P(w_1,\ldots,w_T)=\prod_t P(w_t\mid w_{<t}) P(w1​,…,wT​)=t∏​P(wt​∣w<t​)

其核心是根据前面的 Token,预测下一个 Token 的概率。

理解语言模型还需要掌握两个重要前置技术:

  • Tokenizer / BPE: 将文本切分为子词,影响成本与中文处理效率。
  • 预训练 + 微调: 先在通用语料上学习语言,再针对具体任务进行调整。

技术演进可以概括为:

RNN / LSTM → Attention → Transformer → BERT / GPT → 大模型。

这里的关键理解是:语言可以作为通用接口,许多任务都能表达成“输入一段话,输出一段话”。因此,NLP 中的预训练与微调范式后来也被推广到视觉、语音和多模态领域。


第二部分:了解 AI 行业与职业

8. AI 行业有哪些岗位?

AI 行业岗位大致可以分为四个方向。

8.1 算法方向

  • NLP 算法工程师
  • CV 算法工程师
  • 推荐 / 广告算法工程师
  • 强化学习工程师
  • 大模型工程师

8.2 工程方向

  • AI 基础架构工程师
  • MLOps 工程师
  • 数据工程师
  • 模型部署工程师
  • AI 平台工程师

8.3 产品与运营方向

  • AI 产品经理
  • AI 解决方案顾问
  • AI 运营专员
  • 算法商务 BD
  • 数据产品经理

8.4 研究方向

  • 机器学习研究员
  • NLP 研究员
  • CV 研究员
  • 理论研究员

研究类岗位通常对科研能力要求较高,往往需要博士背景。

9. 不同 AI 工程师的日常工作

岗位主要工作常用工具
NLP 算法调研论文、复现实验、数据清洗与标注、模型微调、效果评估、A/B 实验Python、PyTorch、HF Transformers
CV 算法数据采集与增强、目标检测、图像分割、模型量化与推理优化Python、PyTorch、TensorRT
推荐算法特征工程、离线实验、召回与排序模型迭代、指标分析、A/B 实验Python、Spark、TensorFlow、Hive
大模型提示工程、效果评估、LoRA/SFT 微调、RLHF、RAG 知识库搭建Python、Transformers、vLLM、PEFT

这些岗位的共同点是:读论文、跑实验、构造和分析数据、写代码。

10. 一个 AI 项目如何协作?

一个典型 AI 项目的团队协作链路如下:

  1. 产品经理: 定义需求、安排优先级、编写用户故事。
  2. 数据工程师: 数据采集、清洗标注、特征工程。
  3. 算法工程师: 模型训练、效果评估、迭代优化。
  4. 平台工程师: 模型压缩、服务部署、性能调优。
  5. 测试工程师: 功能测试、压力测试、效果验收。
  6. 运营人员: 收集用户反馈、监控效果、持续迭代。

大团队与小团队的区别

对比大团队(大厂)小团队(创业公司 / 小厂)
分工更细,专注某个模块算法、部署、分析可能由同一人承担
流程规范,基础设施完善迭代快,边界相对模糊
资源相对充足资源可能有限
成长特点工程规范训练较强更容易接触完整业务链路
可能的短板分工细,视野可能变窄缺少系统性指导,技术深度可能不足

选择大团队还是小团队,并没有绝对答案,关键是看自己当前更需要工程规范训练,还是完整业务链路经验。

11. AI 行业现状与程序员的变化

AI 已经出现了许多国内外代表性企业与产品,应用领域也覆盖教育、医疗、法律、设计和编程等方向。

关于就业市场,可以关注以下几个趋势:

  • 算法岗位仍有需求,大模型工程师受到关注。
  • AI 应用层开发需求增加,会使用 AI 工具逐渐成为通用技能。
  • 行业不只需要会调参的人,也需要理解业务的人。

关于 AI 是否会淘汰程序员,可以把相关工作分成三类:

  • 可能被替代的工作: 重复性高、逻辑简单的代码,例如模板化 CRUD、简单脚本和纯翻译需求。
  • 被增强的工作: 复杂架构设计、业务理解、调试排错和系统演进。
  • 新机会: AI 应用开发、Prompt / Agent 工程、AI 产品经理、数据与评测、AI 工具链与平台。

我更愿意把 AI 理解为一种放大器:它会放大使用者原本的判断力与工程习惯。

12. 如何成为 AI 工程师?

12.1 必备能力

能力具体内容
数学基础线性代数、概率、微积分,先理解基本直觉
编程能力Python、PyTorch、SQL、Linux
机器学习理论经典模型、神经网络、评估指标、实验设计
工程能力训练调参、模型部署、数据处理、特征工程
软技能业务理解、读论文、沟通协作与表达

12.2 学习路线

  1. 编程基础: Python、NumPy、Pandas、Matplotlib、Git。
  2. 机器学习入门: 监督学习经典模型、Scikit-learn、Kaggle。
  3. 深度学习: PyTorch、CNN/RNN、注意力机制、读论文。
  4. 方向专攻: 选择 NLP、CV 或推荐方向,复现 SOTA、做项目。
  5. 工程落地: 部署、推理优化、大模型微调与应用。

12.3 学习资源

可以参考的学习资源包括:

  • 入门书:《Python 编程》《统计学习方法》。
  • 机器学习课程:Andrew Ng 机器学习课程(Coursera)。
  • 深度学习课程:李沐《动手学深度学习》。
  • NLP:Hugging Face 课程。
  • LLM 实战:Andrej Karpathy 的 YouTube 系列。
  • 实践平台:Kaggle、Hugging Face Hub。
  • 论文与代码:Papers with Code、GitHub。

12.4 学习建议

  • 每天写代码,哪怕只有 30 分钟。
  • 用项目驱动学习,不要只停留在观看教学内容。
  • 读论文可以先看 Abstract 和实验部分。
  • 加入社群,寻找同伴与反馈。
  • 不要只看不练,也不要等到 100% 理解之后才开始写代码。

第三部分:机器学习基本原理

了解 AI 的整体图景之后,还需要回答一个更基础的问题:

机器到底是怎么从数据中学会规律的?

13. 什么是机器学习?

先看一个例子:如何让电脑识别照片里是不是一只猫?

传统方式是人工写规则,例如:

“有尖耳朵 + 胡须 + 爪子 → 是猫”。

但猫可能躺着、背对镜头、只露出半张脸,也可能是幼猫或长毛猫。真实世界的情况太多,规则很难穷举。

机器学习换了一种方式:提供大量“猫 / 非猫”的照片,并给每张照片标注答案,让机器从这些例子中发现规律,再判断没见过的新照片。

13.1 传统编程与机器学习的区别

方式输入处理方式输出
传统编程数据 + 人工编写的规则程序员写出规则结果
机器学习数据 + 正确答案(标注数据)模型自动寻找规律模型 / 规则

13.2 机器学习的本质

机器学习的核心可以概括为:

机器学习 = 用数据训练出一个“函数”(模型)。

模型接收输入特征,经过计算,输出预测结果。

训练过程就是不断调整模型参数,让预测值与正确答案之间的差距越来越小。换句话说,就是用数据把一个函数拟合出来。

14. 回归与分类

机器学习中有两类常见任务:回归和分类。

14.1 回归:预测一个连续数值

例子:根据身高预测体重。

基本步骤:

  1. 收集身高与体重数据。
  2. 从数据中观察两者的关系。
  3. 拟合一条合适的直线。
  4. 输入新的身高,预测对应体重。

线性回归可以表示为:

y^=wx+b \hat{y}=wx+b y^​=wx+b

这里的目标是找到合适的参数,使预测结果尽可能接近真实值。

14.2 分类:预测属于哪个类别

例子:判断一封邮件是不是垃圾邮件。

基本步骤:

  1. 收集邮件,并标记正常邮件和垃圾邮件。
  2. 提取邮件中的特征词。
  3. 训练分类器,让模型学习两类邮件的区别。
  4. 新邮件到来时,由模型判断类别。

分类的输出是离散类别,而不是连续数值。

记忆:回归预测“多少”,分类预测“属于哪一类”。

15. 机器学习的三大类型

类型数据特点学习方式典型应用
有监督学习有正确答案 / 标签学习输入到输出的映射猫狗分类、房价预测、垃圾邮件过滤
无监督学习没有标签自己发现数据规律用户分群、异常检测、数据压缩
强化学习通过奖励与惩罚反馈不断试错学习游戏 AI、机器人控制、自动驾驶

此外,还有两种与预训练相关的学习方式:

  • 半监督学习: 少量标注数据 + 大量未标注数据。
  • 自监督学习: 从数据本身构造标签,例如 BERT 的完形填空任务。

16. 有监督学习:特征与标签

有监督学习使用带有正确答案的数据训练模型。

每条数据可以拆成两部分:

  • 特征(Feature): 用来描述数据的属性,是模型的输入。
  • 标签(Label): 我们希望模型预测的目标值,也就是正确答案。

16.1 特征是什么?

以贷款审批为例:

特征示例
年龄35 岁
月收入12,000 元
工作年限5 年
是否有房是

这几个属性共同构成一个样本的输入,可以表示为向量:

[35, 12000, 5, 1] [35,\ 12000,\ 5,\ 1] [35, 12000, 5, 1]

16.2 标签是什么?

在上面的例子中,“是否批准贷款”就是标签。

也就是说:

  • 年龄、月收入、工作年限、是否有房:输入特征。
  • 是否批准贷款:希望预测的输出标签。

有了特征和标签,模型就可以学习它们之间的映射关系。

17. 三种经典监督学习算法

17.1 线性回归(Linear Regression)

线性回归主要用于回归任务,也就是预测连续数值。

它的核心思想是:根据已有数据,找到一条合适的直线,再用这条直线预测新数据。

假设函数:

y^=w⋅x+b \hat{y}=w\cdot x+b y^​=w⋅x+b

训练目标是最小化均方误差(MSE):

MSE=1n∑(y^i−yi)2 MSE=\frac{1}{n}\sum(\hat{y}_i-y_i)^2 MSE=n1​∑(y^​i​−yi​)2

误差越小,说明预测值与真实值越接近。

17.2 逻辑回归(Logistic Regression)

名字里有“回归”,但它主要用于分类任务。

逻辑回归有几个关键特点:

  • 输出是 0 到 1 之间的概率值。
  • Sigmoid 函数将任意实数压缩到 (0,1)。
  • 可以设置阈值,例如 0.5,判断样本属于正类还是负类。
  • 可以通过调整阈值改变精确率与召回率。
  • 模型通过决策边界区分不同类别。

对比:线性回归预测数值,逻辑回归预测类别。

17.3 决策树(Decision Tree)

决策树可以理解为一系列 if-else 判断。

  • 每个节点提出一个问题。
  • 每条分支对应一个答案。
  • 叶节点给出最终分类结果。

例如,判断今天是否去打网球:

  1. 先判断天气是否晴朗。
  2. 再根据湿度等条件继续判断。
  3. 最后得出打球或不打球的结果。

决策树直观、容易理解,可解释性强。但单棵决策树容易过拟合,因此还可以使用随机森林和梯度提升树等集成方法。

18. 有监督学习的完整流程

一个有监督学习项目通常可以分为六步:

  1. 收集数据: 尽量保证数据数量和质量。
  2. 标注数据: 为数据添加正确答案。
  3. 选择模型: 例如线性模型、树模型或神经网络。
  4. 训练模型: 反复迭代优化。
  5. 评估效果: 在测试集上评估模型。
  6. 部署使用: 将模型上线,提供服务。

需要特别注意:数据质量决定模型上限,模型只是工具;其中数据标注往往是成本较高、耗时较长的一步。


第四部分:深度学习

19. 深度学习从何而来?

深度学习发展过程中有几个重要节点:

时间事件
1943 年McCulloch 与 Pitts 提出神经元数学模型
1986 年反向传播算法提出,使多层网络可以训练
2012 年ImageNet 突破,深度学习一战成名
2016 年AlphaGo 击败冠军,强化学习受到广泛关注
2017 年Transformer 架构提出
2022 年ChatGPT 引发关注,大模型时代开启

深度学习发展的重要条件包括:大数据、强算力和更好的算法。

20. 从生物神经元到人工神经元

人工神经网络的设计受到人脑神经元连接方式的启发。

20.1 生物神经元的组成

  • 树突(Dendrites): 接收来自其他神经元的信号。
  • 细胞体(Cell Body): 处理和整合输入信号。
  • 轴突(Axon): 将信号向外传递。
  • 突触(Synapse): 将信号传给下一个神经元。

这里的关键机制是:输入信号经过加权求和,如果超过一定阈值,神经元就会激活并传递信号。

20.2 人工神经元

人工神经元包含三个重要部分:

名称作用
权重(Weight)表示每个输入的重要程度,可以为正或负
偏置(Bias)调整激活阈值的常数项
激活函数(Activation)决定如何激活,并引入非线性

人工神经元可以表示为:

y=f(x1w1+x2w2+x3w3+b) y=f(x_1w_1+x_2w_2+x_3w_3+b) y=f(x1​w1​+x2​w2​+x3​w3​+b)

因此,人工神经元的核心可以概括为:

加权求和 + 非线性变换。

21. 从一个神经元到神经网络

神经网络由多个神经元连接组成,通常可以分为三层:

  1. 输入层: 接收原始数据,例如像素、文字等。
  2. 隐藏层: 自动提取特征和规律,可以有多层。
  3. 输出层: 给出最终预测结果,例如分类概率或数值。

每一层的神经元都会执行加权求和、激活,再把结果传给下一层。

网络层数越多,网络就越深,也就有机会学习更复杂的规律。以图像识别为例:特征可以从像素逐层抽象到边缘、部件,最后到物体。

浅层网络与深层网络

对比项浅层网络深层网络
隐藏层数量1~2 层数十甚至数百层
处理能力简单任务图像、语音、文本等复杂任务
特征提取需要人工设计特征自动学习并逐层抽象
代表算法传统机器学习CNN、RNN、Transformer

22. 神经网络如何学习?

神经网络如何学习,是理解深度学习的关键。完整训练过程可以串成:

正向传播 → 损失函数 → 反向传播 → 梯度下降 → 重复迭代。

22.1 正向传播(Forward Propagation)

正向传播的过程:

  1. 输入数据。
  2. 数据从输入层逐层传向隐藏层和输出层。
  3. 每一层进行加权求和,并经过激活函数。
  4. 最终得到预测结果。

需要注意:正向传播只负责算出答案,还不能判断答案是否正确。

22.2 损失函数(Loss Function)

损失函数用于衡量预测值与真实值之间的差距。

  • 差距越大,说明预测越不准确。
  • 损失函数把模型当前的错误程度量化成一个数值。
  • 训练的目标是尽可能降低损失值。

常见的两种损失函数是:

回归:均方误差(MSE)

MSE=1n∑(y^−y)2 MSE=\frac{1}{n}\sum(\hat{y}-y)^2 MSE=n1​∑(y^​−y)2

分类:交叉熵损失

L=−∑y⋅log⁡(y^) L=-\sum y\cdot\log(\hat{y}) L=−∑y⋅log(y^​)

22.3 反向传播(Backpropagation)

反向传播根据损失值,从输出层向前计算各个权重的梯度。

反向传播可以分为几个步骤:

  1. 计算预测值与真实值之间的损失。
  2. 将误差信号从输出层向前传递。
  3. 通过链式法则计算每个权重对应的梯度。
  4. 根据梯度更新权重。
  5. 重复以上过程。

它的核心是:从输出层的误差出发,逐层向回计算每个权重的梯度。

22.4 梯度下降(Gradient Descent)

梯度下降负责根据梯度调整参数,让损失逐渐降低。

可以把梯度下降想象成“蒙着眼在山地里寻找最低点”:

  1. 感受当前位置的坡度,也就是梯度。
  2. 朝着下坡方向走一小步。
  3. 重复这个过程,逐渐接近最低点。

每一步的大小由**学习率(Learning Rate)**决定:

  • 学习率太大:步子太大,可能跨过最低点,导致损失震荡。
  • 学习率适中:能够比较稳定地下降。
  • 学习率太小:每一步太小,训练速度很慢。

把正向传播、损失函数、反向传播和梯度下降连接起来,就是神经网络的完整训练循环。

23. 从神经网络到大语言模型

GPT 系列的发展中有几个代表性节点:

模型时间主要特点
GPT-12018 年基于 Transformer 的预训练语言模型
GPT-22019 年1.5B 参数,能够生成连贯文章
GPT-32020 年175B 参数,展现零样本学习能力
ChatGPT2022 年GPT-3.5 + RLHF,对话能力大幅提升

ChatGPT 的对话能力提升,与大量人类对话数据和人类反馈强化学习(RLHF)有关。

深度学习部分的核心总结:

  • 神经网络受到大脑启发,由神经元层层连接。
  • 训练过程包括正向传播、反向传播和梯度下降。
  • CNN 常用于图像任务,RNN/LSTM 常用于序列任务,Transformer 则具有较强的通用性和建模能力。
  • 大语言模型是基于大量数据训练的 Transformer 模型。

第五部分:机器学习的核心概念

24. 数据集:训练、验证与测试

模型学习离不开数据集。“Garbage in, Garbage out”提醒我们:如果输入的数据质量不好,模型效果也会受到影响。

常见的数据集分为三类:

数据集作用是否用于学习参数
训练集(Training Set)让模型学习数据中的规律是
验证集(Validation Set)监控训练效果、调整超参数否
测试集(Test Set)最后评估模型的真实水平否

数据集可以采用不同的划分比例,例如训练集 60%~70%、验证集约 15%、测试集 15%~25%;也给出了训练集 75%、测试集 25% 的简单划分示例。

需要记住三者的分工:

  • 训练集用于学习模型参数,例如权重和偏置。
  • 验证集用于选择超参数,例如学习率和网络层数。
  • 测试集只用于最终报告模型表现,训练和调参过程中不应使用它。

25. 过拟合与欠拟合

25.1 过拟合(Overfitting)

过拟合可以类比为学生死记硬背:

  • 训练题目和答案都记住了。
  • 原题可以答对。
  • 题目稍微变化,就无法正确回答。

在机器学习中,过拟合表现为训练集效果很好,但测试集效果较差。例如,训练集准确率达到 99%,测试集准确率却只有 65%。

原因是模型不仅学到了规律,还记住了训练数据中的噪声和特殊情况,导致泛化能力不足。

25.2 欠拟合(Underfitting)

欠拟合是模型太简单,没有学到有效规律,因此训练集和测试集上的效果都不好。

25.3 三种状态对比

状态训练集表现测试集表现特点
欠拟合差差没有学到有用规律
理想状态好好学到规律,泛化能力较强
过拟合好差记住训练数据,泛化能力不足

目标不是让模型无限复杂,而是找到模型复杂度与数据量、任务难度之间的平衡。

26. 偏差与方差

  • 偏差(Bias): 预测值与真实值之间的系统性偏差。
  • 方差(Variance): 模型对不同数据集的敏感程度。

偏差与方差可以组合成四种情况:

偏差方差状态
低低理想状态:预测准确且稳定
低高过拟合:平均表现较好,但波动大
高低欠拟合:结果稳定,但存在系统性偏差
高高较差状态:既有偏差,又不稳定

需要注意,模型越复杂,偏差通常越低、方差越高;模型越简单,偏差通常越高、方差越低。实际工程中需要找到平衡点。

27. 如何解决过拟合?

常见的缓解方法有五种:

  1. 获取更多数据: 增加训练数据,让模型不容易只记住少量样本。
  2. 数据增强: 例如对图片进行翻转、裁剪和旋转。
  3. 正则化(L1/L2): 对过大的权重进行惩罚,避免模型过于复杂。
  4. Dropout: 训练时随机关闭部分神经元,避免模型过度依赖某些路径。
  5. 早停(Early Stopping): 验证集效果不再提升时,提前停止训练。

一种可参考的尝试顺序是:获取更多数据 → Dropout → 正则化 → 早停。

28. 交叉验证(Cross-Validation)

K 折交叉验证会把数据分成 K 份,每次使用其中一份作为验证集,其余部分作为训练集。

重复 K 次之后,取多次结果的平均值。

优点:

  • 更充分地利用数据。
  • 评估结果通常更可靠。
  • 数据量较少时尤其有用。

缺点:

  • 需要训练 K 次模型。
  • 计算开销会明显增加。
  • 数据量和模型规模较大时,通常不一定采用交叉验证。

29. 参数与超参数

这两个概念容易混淆。

概念含义例子
参数(Parameter)模型训练过程中自动学习得到权重、偏置、卷积核数值
超参数(Hyperparameter)训练前由人设定学习率、隐藏层数量、每层神经元数量、Epoch、Batch Size

记忆方式:

参数是模型“学”出来的,超参数是人“调”出来的。

30. Batch 与 Epoch

Batch(批次)

Batch 指每次更新权重时使用的数据量。

  • Batch Size = 1:随机梯度下降(SGD),更新噪声较大。
  • Batch Size = 32/64:Mini-batch,常用于平衡效率与稳定性。
  • Batch Size = 全部数据:全批次训练,内存消耗较大,更新次数较少。

Epoch(轮次)

一个 Epoch 表示模型完整看过一次训练集。

它们之间的关系可以表示为:

权重更新次数=数据集大小Batch Size×Epoch 数 \text{权重更新次数}= \frac{\text{数据集大小}}{\text{Batch Size}} \times \text{Epoch 数} 权重更新次数=Batch Size数据集大小​×Epoch 数

两者的区别:

  • Batch Size 影响训练速度与稳定性。
  • Epoch 影响训练是否充分。

31. 模型评估:混淆矩阵

分类任务中,可以通过混淆矩阵统计模型预测结果。

名称含义
TP(真正例)实际为正,预测也为正
FN(假负例)实际为正,预测为负
FP(假正例)实际为负,预测为正
TN(真负例)实际为负,预测也为负

31.1 准确率(Accuracy)

Accuracy=TP+TN总样本数 Accuracy=\frac{TP+TN}{总样本数} Accuracy=总样本数TP+TN​

准确率表示预测正确的样本占总样本的比例。

但当类别极度不平衡时,准确率可能产生误导。例如负样本占 99%,模型全部预测为负,也能得到 99% 的准确率。

31.2 精确率(Precision)

Precision=TPTP+FP Precision=\frac{TP}{TP+FP} Precision=TP+FPTP​

它关注的是:所有被预测为正的样本中,有多少是真的正样本?

以垃圾邮件检测为例:不能轻易把正常邮件判成垃圾邮件。

31.3 召回率(Recall)

Recall=TPTP+FN Recall=\frac{TP}{TP+FN} Recall=TP+FNTP​

它关注的是:所有实际为正的样本中,有多少被模型找出来了?

以癌症筛查为例:需要尽可能避免漏掉患者。

精确率和召回率通常需要根据业务场景进行权衡。调整分类阈值,可能使一个指标上升、另一个指标下降。

31.4 F1 分数

F1=2×Precision×RecallPrecision+Recall F1=2\times\frac{Precision\times Recall}{Precision+Recall} F1=2×Precision+RecallPrecision×Recall​

F1 是精确率和召回率的调和平均数。它更重视两个指标中较低的那个,因此两个指标都高时,F1 才会比较高。

记忆口诀:

  • 精确率:报得准不准。
  • 召回率:有没有漏掉。
  • F1:两者是否均衡。

第六部分:无监督学习简介

32. 什么是无监督学习?

有监督学习需要带标签的数据,而无监督学习使用没有标签的数据。

无监督学习的目标是:让机器自己从数据中发现结构和规律。

主要任务包括:

  • 聚类。
  • 降维。
  • 异常检测。

33. 聚类:K-Means 算法

K-Means 是一种经典的聚类算法。

它的基本步骤:

  1. 随机初始化: 随机选择 K 个点作为初始聚类中心(Centroid)。
  2. 分配归属: 每个数据点归到距离最近的中心。
  3. 更新中心: 重新计算每组数据点的平均位置。
  4. 重复迭代: 重复分配和更新,直到聚类中心不再变化。

常见应用包括用户分群、新闻主题归类和图像压缩。

需要记住它的两个特点:

  • K 需要人工指定。
  • 聚类结果会受到初始中心的影响。

34. 降维:PCA(主成分分析)

为什么需要降维?

降维主要有三个原因:

  1. 维度灾难: 特征越多,需要的数据量可能快速增长。
  2. 冗余特征: 一些特征高度相关,提供的信息重复。
  3. 难以可视化: 人类更容易理解二维或三维数据,高维数据不容易直观观察。

PCA 的作用是:找到数据中最重要的方向(主成分),把高维数据压缩到低维,同时尽量保留大部分信息。

可以把它理解成将一个三维物体投影到二维平面:数据更容易处理和观察,但投影过程中可能损失一部分信息。


第七部分:AI Coding 工具与学习路线

35. AI 编程工具的三个阶段

AI Coding 工具的发展可以大致分成三代。

阶段时间代表工具上下文与产出人的角色
第一代:代码补全2021–2023GitHub Copilot当前文件,生成一行或一段代码人写主体,AI 猜下一行
第二代:对话式编程2023–2025Cursor、Trae打开的文件与检索片段,生成多文件 diff人提需求,AI 修改多个文件
第三代:自主 Agent2025–2026Claude Code、Codex、dsh整个仓库与终端,交付可运行改动和验证结果人设定目标,AI 读取代码、运行测试

真正的分水岭不只是模型能力,还包括 Harness。

Harness 涉及:

  • 工具执行权: 能不能读取文件、写入文件、运行 Shell。
  • 自主循环: 能不能多轮执行“思考—行动—观察”,直到任务完成。

可以用下面这个关系来理解:

Agent = 模型(负责推理)+ Harness(负责工具、权限、上下文和循环)。

36. 四类 AI Coding 工具

36.1 终端 CLI Agent

代表:Claude Code、Codex CLI、dsh、Kimi Code CLI、opencode。

  • 上下文:整个代码仓库与 Shell。
  • 产出:批量修改和测试结果。
  • 适合:重构、修复 Bug、运行测试、提交 PR。

36.2 IDE 集成工具

代表:Trae、Cursor、GitHub Copilot、Windsurf。

  • 上下文:打开的文件与代码索引。
  • 产出:行内补全和多文件 diff。
  • 适合:日常编码、细粒度调试和重构。

36.3 云端 / Web Agent

代表:Codex 云端、Copilot coding agent、Cursor Cloud。

  • 上下文:用户授权的代码仓库。
  • 产出:异步执行任务并提交 PR。
  • 适合:分配一个 Issue,之后查看执行结果。

36.4 Agent 办公台

代表:WorkBuddy、CodeBuddy、Kimi Work。

  • 上下文:本地文件、文档和多模态输入。
  • 产出:文档、表格、PPT、图片等。
  • 适合:非纯代码任务和多 Agent 并行工作。

需要注意:四类工具并不互斥,成熟的使用方式可以是“CLI 干重活 + IDE 干细活”。此外,还有 MCP、ACP、Skills 三个开放标准。

37. 代表性 AI Coding 工具

Claude Code、OpenAI Codex、DeepSeek Harness、Kimi Code CLI、Trae、WorkBuddy 等工具,在上下文、执行权限、子 Agent、沙箱、开源策略、模型支持和适用场景等方面各有侧重。

这里不展开做产品测评,先抓住它们各自的定位与特点:

  • Claude Code:终端原生,强调全仓库上下文、工具执行权、子 Agent、Skills、Hooks 和 Plan Mode。
  • OpenAI Codex:包括本地 CLI 与云端 Agent 两种形态,其特点包括沙箱执行、审批分级和异步交付。
  • DeepSeek Harness(dsh):它可以被理解为可组装的 Agent 运行基座,强调插件化和实现的可读性。
  • Kimi Code CLI:终端 Agent,其功能涉及多个子 Agent、视频输入、MCP 配置和 ACP 支持。
  • Trae:AI IDE,其中还包括 SOLO 模式。
  • WorkBuddy:桌面智能体工作台,主要面向办公任务,而不是单纯的编程工具。

38. AI 编程效率:不能只看乐观的一面

看待 AI 编程,既要看到积极的一面,也要保持清醒。

积极的一面包括:

  • Stack Overflow 2025 调查中提到 84% 的开发者正在使用或计划使用 AI 工具。
  • DORA 2025 报告中提到 AI 采用率较高的团队交付吞吐量更高。
  • 真实仓库任务中的 Agent 能力也已经明显提升。

需要清醒的一面包括:

  • METR 2025 年的一项随机对照实验显示:部分资深开发者使用 AI 后,完成真实 Issue 的耗时反而增加。
  • 需要注意,AI 采用率较高的团队,交付不稳定度也可能上升。
  • AI 带来的收益与任务类型有关:新项目脚手架和陌生技术栈可能收益较大,深层架构修改和遗留系统任务的收益可能较小。

目前,AI 仍较难独立处理的工作包括:

  • 定义问题。
  • 拆解任务与架构决策。
  • 判断结果是否正确。
  • 理解业务和遗留系统中的隐性约束。

因此,更合理的使用方式不是简单地“让 AI 替我写”,而是由人设定目标和验收标准,让 AI 执行,再由人进行 Review。


第八部分:后续学习路线与复习清单

39. 后续学习 Roadmap

接下来的学习可以围绕以下技术方向展开:

AI 全貌与技术底座

  • AI 行业全景。
  • AI / ML / DL 关系。
  • 机器学习范式。
  • AI 发展简史、两次寒冬、专家系统。
  • 深度学习到大模型的发展。

深度学习原理

  • 前向传播与反向传播。
  • Softmax 与交叉熵。
  • Embedding、池化、归一化、优化器。

语言模型与 NLP

  • RNN / LSTM、困惑度。
  • Tokenizer / BPE。
  • Transformer、Self-Attention。
  • BERT 预训练。
  • 文本分类、序列标注、文本匹配。

LLM 工程化与 Agent

  • OpenAI 兼容接口、流式输出、断路器、故障转移。
  • KV Cache、vLLM、约束解码、量化。
  • RAG:分块、本地 Embedding、混合检索、重排、幻觉控制。
  • Function Call、MCP、CLI。
  • Agent、Skills、ReAct 循环、记忆与自主调度。
  • 自进化、GraphRAG、MoE/MLA、RLHF/GRPO。

还有三条值得贯穿后续学习的对比主线:

  1. 判别式 vs 生成式。
  2. 检索 vs 生成。
  3. 单轮工具调用 vs 多轮自进化 Agent。

40. 本篇复习清单

下面这份清单提取了本文的核心内容,方便之后自测。

核心掌握

  • 能说清 AI、ML、DL 三者之间的包含关系。
  • 能按时间梳理 AI 发展中的两次寒冬、深度学习爆发和大模型发展。
  • 能说出 AI 的六大研究方向及典型任务。
  • 能解释算力、数据、算法三大支柱分别发挥什么作用。
  • 能区分监督学习、无监督学习、强化学习和自监督学习。
  • 能解释 NLP 的常见任务,以及语言中的词汇歧义和句法歧义。
  • 能说出机器学习与传统编程的区别。
  • 能区分特征与标签。
  • 能区分回归与分类,并说明线性回归、逻辑回归、决策树的基本作用。
  • 能说出有监督学习的六步工作流程。
  • 能解释人工神经元中的权重、偏置和激活函数。
  • 能说清输入层、隐藏层和输出层的作用。
  • 能按顺序讲清正向传播、损失函数、反向传播和梯度下降。
  • 能区分训练集、验证集和测试集。
  • 能区分过拟合与欠拟合,并说出常见的缓解方法。
  • 能区分参数与超参数、Batch 与 Epoch。
  • 能解释 Accuracy、Precision、Recall 和 F1。
  • 能说出 K-Means 的基本步骤和 PCA 的作用。
  • 能说出 AI Coding 三代工具的区别、四类工具的职责。
  • 能解释 Agent = 模型 + Harness 这一关系。

拓展了解

  • MYCIN、XCON、AlexNet、BERT、GPT-3 等发展案例。
  • ImageNet、Common Crawl 等数据集名称。
  • Adam、SGD、Dropout、BN、LoRA、RLHF 等技术名称。
  • Word2Vec、GloVe、FastText、HMM、LSTM、GRU 等 NLP 技术。
  • AI 行业岗位、团队协作方式和大厂 / 小厂差异。
  • 了解代表性 AI Coding 产品及其特点。
  • 了解后续 Roadmap 中的技术主题。

写在最后:这一篇,我应该带走什么?

回顾这一篇的内容,我认为最重要的不是记住多少模型名称,也不是把所有技术缩写背下来,而是先建立一张相对完整的知识地图:

  1. 从行业角度看: AI 有不同研究方向,也对应不同岗位和团队分工。
  2. 从学习原理看: 机器学习的核心是从数据中学习规律,而不是由人把所有规则写出来。
  3. 从深度学习看: 神经网络通过正向传播得到预测,再通过损失、反向传播和梯度下降不断调整参数。
  4. 从工程角度看: 数据、模型、评估和部署共同构成机器学习项目;AI Coding 工具也需要人的目标设定与结果检查。

这只是 AI 学习的起点。至少现在,当我再看到“机器学习”“深度学习”“大模型”这些词时,应该能够把它们放回到一张知识地图里,而不是只记得它们都很热门。

第一篇先到这里。下一步,继续深入理解深度学习的基本原理。

人工智能AI 与 机器学习ML 的关键区别 人工智能(AI)是指计算机系统能够执行通常需要人类智能才能完成的任务。包括理解自然语言、识别图像、解决复杂问题和做出决策。AI的目标是创建能够模仿或超越人类智能的系统。弱人工智能(弱AI):也称为窄AI,专注于特定任务。例如,语音助手(如Siri和Alexa)和推荐系统(如Netflix和Amazon的推荐算法)。强人工智能(强AI):也称为通用AI,具有执行任何人类智能任务的能力。目前,强AI仍处于理论阶段,尚未实现。机器学习(ML)是人工智能的一个子领域。 阅读详情

相关推荐

【人工智能AI】是什么?

人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟延伸和扩展人的智能的理论方法技术及应用系统的一门新的技术科学。(百度百科)人工智能的基本原理:机器从「特定的」大量数据中总结规律,形成某些「特定的知识」,然后将这种「知识」应用到现实场景中去解决实际问题。在这个基本原理的基础上,有3个特征:1、人工智能本质上是一种工具2、人工智能技能只能解决特定的问题,而不是什么都能做3、人工智能属于归纳逻辑,可以告诉你是什么,但是不能告诉你为什么。

KJCZ.AK的博客 2万+

AI入门必读:人工智能、机器学习、深度学习的区别,一篇文章带你搞懂!

文章以水果分类(水果→苹果→红富士)为比喻,通俗易懂地解释了AI、机器学习、深度学习的关系。人工智能(AI)是让机器像人一样思考的大概念;机器学习(ML)是AI的一种实现方式,通过数据让机器学习规律;深度学习(DL)是机器学习中的一种方法,用神经网络模拟人脑自主学习。三者形成三层嵌套的"洋葱结构",从目标到方法再到技术,层层深入。

WANGJUNAIJIAO的博客 2363

机器学习和人工智能之间的区别

人工智能(AI)和机器学习(ML)是更广泛的计算机科学领域中两个密切相关但又不同的领域。人工智能是一门专注于创建智能机器的学科,这些机器可以执行通常需要人类智能的任务,例如视觉感知、语音识别、决策和自然语言处理。它涉及开发可以根据输入数据进行推理、学习和决策的算法和系统。另一方面,机器学习 (ML) 是人工智能的一个子领域,涉及教导机器从数据中学习,而无需明确编程。机器学习算法可以识别数据的模式和趋势,并使用它们来做出预测和决策。

2401_85782938的博客 3889

AI 人工智能

人工智能(AI)是指计算机系统通过模拟人类的智能行为来执行任务的技术。这些任务通常包括学习、推理、问题解决、感知和语言理解等。弱 AI(Narrow AI): 专注于特定任务,如语音识别、图像处理、推荐系统等。大多数当前的 AI 系统都是弱 AI。强 AI(General AI): 拥有像人类一样的全面智能,能够在任何领域执行任务。目前,强 AI 仍处于研究阶段,尚未实现。

xxweillkun的博客 2万+

AI人工智能入门完全指南 - 从零开始理解机器学习

如果你觉得AI是一个高深莫测的黑盒子,那么这篇文章就是为你准备的钥匙。我们将用最简单的语言和生活化的例子,带你走进AI的奇妙世界

平凡的梦 1442

人工智能入门:从零开始理解AI的基本概念

人工智能是指由人造系统所表现出来的智能行为。简单来说,就是让机器具备类似人类的学习、推理、解决问题和决策的能力。弱人工智能(Narrow AI):专注于执行特定任务,如语音识别、图像分类等强人工智能(General AI):具备与人类相当的全面智能(尚未实现)超级人工智能(Super AI):超越人类智能的AI(仍属于理论概念)人工智能不再是未来科技,而是正在塑造我们现在的工具。理解AI的基本概念不仅有助于我们更好地使用这些技术,也能让我们更明智地参与关于AI伦理和社会影响的讨论。

2501_91537435的博客 1686

AI算法工程师 | 01人工智能基础-快速入门

站在互联网的角度理解人工智能:人工智能AI(artificial intelligence)是互联网时代发展的必然趋势。

ThisAmy的博客 1万+

详解人工智能(AI) 机器学习(ML) 深度学习(DL)

有三个词,这两年出现的频率越来越高:人工智能(AI),机器学习(ML),深度学习(DL),到底他们哥仨是什么关系?今天小编化繁为简,用几张图带你迅速看明白。关系如图,从提出概念的时间上来看也很清楚: 人工智能AI:模拟人脑,辨认哪个是苹果,哪个是橙子。 机器学习ML:根据特征在水果摊买橙子,随着见过的橙子和其他水果越来越多,辨别橙子的能力越来越强,不会再把香蕉当橙子。 机器学习强调“...

ShuYunBIGDATA的博客 3756

学人工智能看什么书?AI入门书籍推荐

对于零基础新手想要人工智能入门的第一步,应该是多看基本大师的书,对人工智能有一个初步的系统的了解。AI看什么书?下面我将给大家推荐五本人工智能入门书籍,虽然不算多但贵在精,相信大家看完这五本书就足以入门了。学人工智能看什么书?1、《人工智能:一种现代的方法》(Artificial Intelligence: A Modern Approach)介绍:作者为Stuart Russell和Peter Norvig。Russell,加州大学伯克利分校的计算机科学教授,发表了100多篇关于人工智能的论文。Norvi

卡莎的博客 1万+

AI人工智能(1):入门概念

根据美国数学博士约翰麦卡锡的说法,它是 “制造智能机器的科学与工程,特别是智能计算机程序”。人工智能( Artificial Intelligence,简称AI)是一种使计算机,计算机控制的机器人或软件智能地思考的方式,其与聪慧的人类的思维方式类似。人工智能是通过研究人类大脑如何思考,以及人类在尝试解决问题时如何学习,决策和工作,然后将研究的结果作为开发智能软件和系统的基础。创建专家系统- 表现出智能行为,学习,演示,解释和指导用户的系统。在机器中实现人类智能。

游王子og的博客 1279

从分立到集成:深入解析Buck电路的核心模块与设计权衡

本文深入解析Buck电路的核心模块与设计权衡,从分立到集成方案的优缺点对比。详细探讨Buck电路的高效能量转换、小型化设计及灵活电压调节能力,并结合实际案例分享分立方案中的PWM生成、反馈环路设计及保护电路优化经验,为工程师提供实用设计参考。

weixin_29306317的博客 225

给初学者的人工智能(AI)入门教程

在这篇文章中,我将带你一起探索人工智能的无限可能🌐,从自动驾驶汽车到语音助手、再到深度学习和机器学习的神奇应用,人工智能正在深刻改变我们的生活方式!如果你希望通过专家指导和支持以系统化的方式学习人工智能课程,可以关注我的博客,我会继续分享关于人工智能更多的知识,并给你提供有价值的关于AI应用和学习相关的信息。简单来说,深度学习是机器学习的一个子集,而机器学习又是人工智能的一部分。人工智能的目标是通过设计算法,将人的能力融入到机器中,使得机器能够像人类一样思考,从而能够在没有明确人工输入的情况下解决问题。

weixin_48681435的博客 3817

用 dism 合并与删除 wim 映像

一、合并 假设 installA.wim 有 3 个映像,installB.wim 有 1 个映像。 1、全部合并 将 installA.wim 中的 3 个卷映像合并到 installB.wim 中,这样 installB.wim 中的卷映像增加到 4 个。 dism/export-image/sourceimagefile:d:\installA.wim/sourceindex:1/destinationimagefile:d:\installB.wim dism/export-image/source

KefanWon的博客 5203

什么是人工智能?15分钟了解人工智能(AI)

人工智能(AI)作为模拟人类智能的技术,其发展历程和分类方式呈现多元化特征。从能力维度可分为狭义AI(特定任务)、通用AI(全面超越人类)和超级AI(全领域超越);从观点角度则分为强AI(具备自主意识)和弱AI(仅模拟智能)。当前主流技术如机器学习、深度学习和生成式AI构成了AI的核心架构,其中深度学习通过多层神经网络实现了复杂模式识别。随着大模型技术的突破,AI应用开发已形成包含系统设计、提示工程、平台开发等环节的完整学习路径。掌握这些技术不仅能提升数据处理能力,更能应对各行业的智能化需求。本文还提供了系

2401_85375151的博客 1万+

Yolov5自学笔记之一--从入门到入狱,功能强大不要乱用(实现yolov5的基本功能使用流程及训练自己的数据集)

零基础自学yolov5,学会简单使用和训练自己的数据集,在自己工作中使用

qq_41597915的博客 1万+

gmsv源代码c语言,石器时代ABLua的原理、简介、过程、运用、收发

操作原理(一)服务端:服务器源文件客户端:客户所操作的程序(既是游戏客户端)接口:既是某项功能(例如:鼠标点击,文字发送,战斗,观战,人物动作等)返回的值ABlua:在源代码中添加的整套引擎作为回调接口--lua所实现的功能是基于服务端源码添加的接口由该接口与客户端发送封包实现功能源码里是否有ABlua回调接口?例如:源码里的gmsv/battle.c文件(既是战斗回调文件)以下为简单描述C给予l...

weixin_35223575的博客 2414

「人工智能入门」AI 是什么?

简评:「人工智能入门」系列的第一篇,讲解了 AI 、机器学习、深度学习是怎么回事,他们之间的关系,常见的 AI 算法等知识。当有人问你这些概念的时候,你可以通熟易懂地讲解。 本文知识点: 人工智能(AI)、机器学习(ML)、深度学习(DL)的关系如下,DL ⊆ ML ⊆ AI。 人工智能比喻成的孩子大脑,而机器学习就是让孩子去掌握认知能力的过程,而深度学习是这过程中很有效率的一种教学体系。 ...

跨链技术践行者 1万+

从接线到组态:手把手教你搞定PROFIBUS-DP与PA的混合网络搭建(基于西门子TIA Portal)

本文详细介绍了PROFIBUS-DP与PA混合网络的搭建方法,基于西门子TIA Portal平台,从硬件选型、网络架构设计到组态配置和现场调试,提供了一套完整的实战指南。重点解析了DP/PA耦合器的使用、地址映射策略及网络诊断技巧,帮助工程师高效构建高可靠性的工业自动化网络。

weixin_32103009的博客 306

【AI机器学习入门与实战】AI 人工智能介绍

AGI是一种能够像人类一样拥有广泛的智能能力,能够处理和解决各种复杂问题的人工智能。:ASI是指一种比人类智能水平更高的人工智能,它拥有远远超过人类的认知能力和创造力,可以处理各种复杂的智力任务,甚至可以自我学习和自我改进。由于ASI的超出人类智能的特性,它可能会引起一些关于道德、社会、经济和政治等方面的问题和挑战。它的发展是很谨慎的,以确保其对人类和社会的影响是积极的。AGI还可以极大地促进人类社会的发展和进步,例如解决全球性问题、推动社会和经济发展、改善人类生活和健康等方面。

真正的大师,永远怀着一颗学徒的❤ 2750

PCB之AD层次化原理图设计

PCB之AD层次化(模块化)原理图设计 软件版本:AD17.1.9(bBuild 592) 先上效果图: 可以看到,图中有RS485和W5500这两个部分是复用了原理图,当项目中需要多个功能相同的电路时,这种设计就可以大大节约PCB布局布线的时间,方法后面介绍; 1.首先确定好项目中个部分电路的功能模块 不同功能的电路分开不同原理图画,然后给出输入输出端口,这样方便复用,下面是实例项目的功能划分 2.单个模块电路的接口设计 这里以W5500以太网接口电路为例说明: 主要就分为通讯接口和电源接口:

洋洋洋的博客 3万+

保姆级教程:手把手教你用CANoe/CANalyzer读取汽车故障码(UDS 0x19服务实战)

本文提供了一份详细的CANoe/CANalyzer使用教程,指导如何通过UDS 0x19服务读取汽车故障码。从硬件配置到报文构建,再到故障码解析,手把手教你完成汽车诊断全流程,特别适合汽车电子工程师和诊断开发人员。

weixin_42524945的博客 263

AI(人工智能)和ML(机器学习)之间的关系

ML的进步极大地推动了AI的发展,使得AI系统更加智能和自适应,而AI的愿景和应用推动了ML技术的创新和应用。

BuluAI的博客 1841

反卷积通俗详细解析与nn.ConvTranspose2d重要参数解释

反卷积的作用 卷积中padding的几个概念 No Padding Half(Same) Padding Full Padding 反卷积 反卷积中的Padding参数 反卷积的stride参数 反卷积总结 参考资料

iioSnail的博客 2万+

人工智能(AI)与机器学习(ML):定义、区别及应用解析

人工智能(AI)与机器学习(ML)是推动各行业发展的核心技术,广泛应用于医疗、金融、零售等领域。AI旨在构建能执行人类智能任务的系统,如语音助手和自动驾驶汽车;而ML作为AI的子集,专注于通过数据学习优化算法,如欺诈检测和疾病预测。两者均依赖数据、实现任务自动化,并随时间改进,但AI范畴更广,ML则强调数据驱动学习。

weixin_62782025的博客 1660

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

人工智能(AI)、机器学习(ML)和数据挖掘(DM)之间的区别与联系

人工智能(AI)、机器学习(ML)和数据挖掘(DM)之间的区别与联系导语:具体含义:结 语 导语: 三者的方法有很大的重叠处,但各自的目的又有区别。其中,数据挖掘是用来理解事物的,机器学习是用来预测事物的,而人工智能是用来生成行动的。 具体含义: ①数据挖掘(Data Mining, DM),又称为资料勘探,数据采矿。他是数据库知识发现(Knowledge Discovery in Databas...

Marvelous_Morty的博客 4694

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

上一篇: C++--stack和queue
下一篇: 深度学习基本原理:从数学基础到神经网络训练
chh563
博客等级 码龄1年 124粉丝 32原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值