人工智能-机器学习-深度学习-分类与算法梳理
目前人工智能的概念层出不穷，容易搞混，理清脉络，有益新知识入脑。
为便于梳理，本文只有提纲，且笔者准备仓促，敬请勘误，不甚感激。
请看右边目录索引 。
人工智能
三大派系
符号主义(Symbolists) 基于逻辑推理的智能模拟方法。最喜欢的算法是：规则和决策树。符号主义的代表性成果有启发式程序、专家系统、知识工程等，IBM“深蓝”计算机为典型应用。
连接主义(Connectionist) 使用概率矩阵和加权神经元来动态地识别和归纳模式，奠基人是明斯基（MIT），发展最火是深度学习，深度神经网络，ChatGPT为典型应用。
行为主义(actionism) 其原理为控制论及感知-动作型控制系统。擅长于使用遗传算法（Genetic Algorithm，GA）和遗传编程。行为主义的代表性成果有六足行走机器人、波士顿动力机器人等。
还有五派分法，笔者本人未弄清内部逻辑，感觉无法和本文的体系融体，未列出。
三大分支
- 认知AI(cognitive AI)
- 机器学习(Machine Learning AI)
- 深度学习(Deep Learning) : 是一种特殊的机器学习。
2016年Alpha Go打败了李世石，确立了深度学习正在机器学习领域中的霸主地位
核心技术与领域
- 机器学习(Machine learning)
- 深度学习(Deep learning)
- 计算机视觉(Computer Vision) 图像识别、目标检测、图像分割、人脸识别等技；模型有CNN、FCN、RCNN 等
- 自然语言处理(Natural Language Processing, NLP） 语音识别、文本分类、信息抽取、机器翻译等多个方面，模型RNN、LSTM、transformer等
- 自动规划和决策：自动规划和决策涉及开发能够自主感知环境并作出决策的算法和系统，它可以应用于无人驾驶汽车、物流规划、智能机器人等领域
还有诸如：机器人、专家系统、智能搜索、自动程序设计等
四大要素
- 数据
- 算力
- 算法
- 应用
机器学习
问题分类
- 有监督学习(Supervised Learning)： 分类、回归
- 无监督学习(Unsupervised Learning）：聚类、维降、关联
- 强化学习(Reinforcement Learning)
监督学习常见算法
- 朴素贝叶斯
- 决策树
- 支持向量机
- 逻辑回归
- 线性回归
- k近邻
- AdaBoost
- 神经网络
前4解决分类问题，第5用于回归问题， 后3个解决分类回归问题
非监督学习算法
- K-means(K-均值)
- Birch(综合层次聚类)
- Dbscan(基于密度聚类)
- String(字符串聚类)
- PCA(Principal Component Analysis 主要成分分析）
- LDA(Linear Discriminate Analysis 线性判别分析)
- LLE(Locally linear embedding 局线性判别分析部线性嵌入)
- LE(Laplacian Eigenmaps 拉普拉斯映射)
前4为聚类算法，后4个为降维算法
强化学习
强化学习用以描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。
基本模型
- 智能体(agent): 学习的本体，即学习者或者决策者
- 环境(environment): 智能体以外的一切，主要由状态集合组成
- 状态(state): 表示环境的数据
- 动作(action): 智能体可做出的动作
- 奖励(reward): 智能体在执行一个动作后，获得的正/负反馈信号
现在正当时的Q-Learning就是强化学习的一种
深度学习
基础知识
- 正向传播
- 反向传播
- 梯度计算
- 损失函数
- 激活函数：sigmoid、tanh、ReLu、SoftMax
深度算法
- 卷积神经网络（Convolutional Neural Networks，CNN）
- 递分子循环)神经网络（Recurrent Neural Networks，RNN）
- 长短时记忆网络（Long Short-Term Memory，LSTM）
- 生成对抗网络（Generative Adversarial Networks，GAN）
- 可变自编码器（Variational Autoencoders，VAE）
- 深度强化学习（Deep Reinforcement Learning，DRL）
- 深度信念网络（Deep Belief Networks，DBN）
- 自编码器(Autoencoders AE)
- 迁移学习(Transfer Learning）
- 残差网络(ResNet)
- 注意力机制(Attention)
机器学习、深度学习、强化学习三者交叉关系
- 机器学习：所有以优化方法挖掘数据中规律的学科
- 深度学习：运用了神经网络作为参数结构进行优化的机器学习算法
- 强化学习：不仅利用现有数据还对环境的探索获得新数据，并利用新数据循环往复地更新迭代现有模型
- 深度强化学习：运用了神经网络作为参数结构进行优化的强化学习算法。
AI大模型
大模型指的是在训练阶段和推理阶段需要大量参数和计算资源的深度学习模型。
特点
- 大量的参数
- 上下文理解和生成
- 强大的泛化能力
- 计算资源需求大
- 迁移学习能力
- 预训练与微调
- 多领域应用
所处位置
按工作方式分类
- 强化学习模型(Reinforcement Learning Models)
- 生成模型(Generative Models)
按数据类型分类
- 语言模型（Language Models)
- 图像模型（Image Models）
- 多模态大模型（Multimodal Models）
主流AI大模型
- OpenAI GPT大模型组
- Google PaLM & PaLM 2大模型组
- 百度文心大模型组
- 讯飞星火认知大模型
- 阿里通义大模型
- 清华开源大模型ChatGLM
- Llama2
- Baichuan
未来趋势
- 通用大模型与专用小模型协同发展
- 模型即服务将不断成为主流(MaaS)
- 拥有算力、模型、平台和产品经验的科技公司成为重要参与者
如果您也对AI大模型感兴趣想学习却苦于没有方向👀
小编给自己收藏整理好的学习资料分享出来给大家💖
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码关注免费领取【保证100%免费】🆓
👉AI大模型学习路线汇总👈
大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉如何学习AI大模型？👈
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
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
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。
