Quartz 4

AI核心知识

7 min read

AI核心知识

🗂️ 内容导航

名称说明链接
AI工程应用AI赋能、工程化落地、辅助开发与办公提效进入
AI动手实践从提示词到Agent，AI应用落地的完整实战指南进入
AI核心知识体系从智能的本质出发，构建AI的完整知识体系进入

核心观点：人工智能是研究如何使计算机模拟人类智能的学科，是计算机科学的前沿领域。

📊 AI知识体系

graph TB
    subgraph 理论基础
        T1["机器学习<br/>从数据中学习"]
        T2["深度学习<br/>神经网络"]
        T3["强化学习<br/>试错学习"]
    end    
    subgraph 核心技术
        C1["自然语言处理<br/>语言理解"]
        C2["计算机视觉<br/>图像识别"]
        C3["知识表示<br/>知识推理"]
    end    
    subgraph 应用领域
        A1["智能系统<br/>决策支持"]
        A2["机器人<br/>感知行动"]
        A3["专家系统<br/>领域知识"]
    end
    
    T1 & T2 & T3 --> C1 & C2 & C3
    C1 & C2 & C3 --> A1 & A2 & A3
    
    style T1 fill:#ffebee
    style C1 fill:#e3f2fd
    style A1 fill:#e8f5e9

🤖 机器学习

学习类型

类型数据特点目标例子
监督学习有标签预测分类、回归
无监督学习无标签发现聚类、降维
半监督学习少量标签利用无标签标签传播
强化学习环境反馈最大化奖励游戏、机器人

核心算法

graph TB
    subgraph 监督学习
        SL1["线性回归<br/>连续预测"]
        SL2["逻辑回归<br/>分类问题"]
        SL3["支持向量机<br/>最大间隔"]
        SL4["决策树<br/>规则学习"]
        SL5["随机森林<br/>集成学习"]
    end    
    subgraph 无监督学习
        UL1["K-means<br/>聚类"]
        UL2["DBSCAN<br/>密度聚类"]
        UL3["PCA<br/>降维"]
    end    
    SL1 & SL2 & SL3 & SL4 & SL5 --> UL1 & UL2 & UL3
    
    style SL1 fill:#ffebee
    style UL1 fill:#e3f2fd

模型评估

指标适用场景计算方法
准确率分类正确样本/总样本
精确率分类TP/(TP+FP)
召回率分类TP/(TP+FN)
F1分数分类精确率和召回率调和
MSE回归均方误差

🧠 深度学习

神经网络基础

graph TB
    subgraph 网络结构
        N1["输入层<br/>特征输入"]
        N2["隐藏层<br/>特征提取"]
        N3["输出层<br/>预测输出"]
    end    
    subgraph 激活函数
        A1["Sigmoid<br/>0-1输出"]
        A2["ReLU<br/>负值归零"]
        A3["Tanh<br/>-1到1"]
        A4["Softmax<br/>概率分布"]
    end
    
    N1 --> N2 --> N3
    N2 --> A1 & A2 & A3 & A4
    
    style N1 fill:#ffebee
    style A1 fill:#e3f2fd

主流架构

架构核心思想应用领域代表模型
CNN局部感受野、权值共享计算机视觉ResNet、EfficientNet
RNN序列建模、记忆机制自然语言处理LSTM、GRU
Transformer自注意力机制多模态BERT、GPT、ViT
GAN对抗训练图像生成StyleGAN、CycleGAN
扩散模型去噪过程图像生成Stable Diffusion

训练技巧

深度学习训练技巧：
1. 数据增强：扩充训练数据
2. 正则化：防止过拟合
3. 学习率调度：动态调整
4. 批归一化：稳定训练
5. 迁移学习：利用预训练模型

🎮 强化学习

核心概念

概念内涵作用
智能体决策主体行动选择
环境外部世界状态转移
状态环境描述信息输入
动作智能体行为状态影响
奖励即时反馈目标引导

算法分类

graph TB
    subgraph 基于值函数
        V1["Q-Learning<br/>离策略"]
        V2["SARSA<br/>在策略"]
        V3["DQN<br/>深度Q网络"]
    end    
    subgraph 基于策略
        P1["策略梯度<br/>直接优化"]
        P2["PPO<br/>近端策略优化"]
        P3["TRPO<br/>信任区域"]
    end
    
    V1 & V2 & V3 --> P1 & P2 & P3
    
    style V1 fill:#ffebee
    style P1 fill:#e3f2fd

💡 大语言模型

发展历程

timeline
    title LLM发展史
    2018 : BERT<br/>双向编码器
    2019 : GPT-2<br/>生成模型
    2020 : GPT-3<br/>大模型涌现
    2022 : ChatGPT<br/>对话系统
    2023 : GPT-4<br/>多模态

核心技术

技术内容作用
预训练大规模语料学习语言理解
指令微调指令数据训练任务适应
RLHF人类反馈对齐价值观对齐
上下文学习少样本学习灵活适应

能力涌现

LLM的涌现能力：
1. 少样本学习：In-context Learning
2. 推理能力：Chain-of-Thought
3. 工具使用：Function Calling
4. 多语言能力：跨语言理解
5. 代码生成：编程辅助

🎯 核心结论

AI的基本原理

  1. 数据驱动：从数据中学习规律
  2. 模型拟合：构建数学模型
  3. 优化求解：最小化损失函数
  4. 泛化能力：对新数据的预测
  5. 可解释性：理解模型决策

AI的发展趋势

AI未来发展方向：
1. 通用人工智能：更接近人类智能
2. 多模态融合：视觉、语言、语音
3. 可解释AI：透明化决策
4. 边缘计算：本地化推理
5. 伦理AI：负责任的发展

📚 参考文献

  1. 《机器学习》- 周志华
  2. 《深度学习》- Ian Goodfellow
  3. 《统计学习方法》- 李航
  4. 《人工智能：一种现代方法》- Stuart Russell
  5. 《强化学习》- Richard Sutton
  6. 《自然语言处理综论》- Daniel Jurafsky
  7. 《计算机视觉》- Richard Szeliski
  8. 《动手学深度学习》- 李沐

3 items under this folder.