AI核心知识体系
🗂️ 内容导航
第一性原理：人工智能是研究如何使机器模拟、延伸和扩展人类智能的学科，核心问题是”如何让机器像人一样思考和行动”。
📚 AI的公理体系
graph TB subgraph 基本假设 A1[智能可以通过计算模拟] A2[知识表示是智能的基础] A3[学习是智能的核心机制] A4[智能体通过与环境交互获得智能] end subgraph 核心问题 B1[表示与推理] B2[学习与适应] B3[感知与行动] end A1 & A2 & A3 & A4 --> B1 & B2 & B3 style A1 fill:#ffebee style B1 fill:#e3f2fd
一、AI基础 AI Fundamentals
flowchart TD subgraph 问题求解 S1[状态空间搜索] S2["启发式搜索 A*"] S3[约束满足] end subgraph 知识表示 K1[命题逻辑] K2[一阶谓词逻辑] K3[产生式规则] end subgraph 智能代理 AG1[理性代理] AG2[感知-思考-行动] end style S1 fill:#ffebee style K1 fill:#e3f2fd style AG1 fill:#e8f5e9
二、机器学习 Machine Learning
学习类型
flowchart LR ML1["监督学习<br/>有标签数据<br/>分类/回归"] --> ML ML2["无监督学习<br/>无标签数据<br/>聚类/降维"] --> ML ML3["强化学习<br/>奖励信号<br/>序列决策"] --> ML style ML1 fill:#ffebee style ML2 fill:#e3f2fd style ML3 fill:#e8f5e9
监督学习算法
flowchart TD subgraph 回归 R1["线性回归<br/>y = wx + b"] R2["逻辑回归<br/>P = σ(wx+b)"] end subgraph 分类 C1[决策树] C2[支持向量机 SVM] C3[K近邻 KNN] end subgraph 集成方法 E1[随机森林] E2[梯度提升 XGBoost] end style R1 fill:#fff3e0 style C1 fill:#e3f2fd style E1 fill:#e8f5e9
神经网络基础
flowchart LR Input[输入层] --> Hidden[隐藏层] Hidden --> Output[输出层] Input -.-> Hidden Hidden -.-> Output subgraph 训练过程 FWD["前向传播<br/>Z=W·X+B, A=σ(Z)"] BACK["反向传播<br/>梯度下降更新权重"] end style Input fill:#ffebee style Hidden fill:#e3f2fd style Output fill:#e8f5e9 style FWD fill:#fff3e0 style BACK fill:#fce4ec
三、深度学习 Deep Learning
网络架构演进
flowchart LR MLP["多层感知机<br/>MLP"] --> CNN["卷积神经网络<br/>图像处理"] CNN --> RNN["循环神经网络<br/>序列处理"] RNN --> LSTM["LSTM<br/>长短期记忆"] LSTM --> TRANSFORMER["Transformer<br/>自注意力机制"] TRANSFORMER --> GPT["GPT系列<br/>生成式预训练"] style MLP fill:#ffebee style CNN fill:#e3f2fd style TRANSFORMER fill:#e8f5e9 style GPT fill:#f3e5f5
计算机视觉 CV
flowchart TD subgraph 经典模型 L["LeNet<br/>手写数字"] A["AlexNet<br/>图像分类突破"] V["VGG<br/>深度网络"] R["ResNet<br/>残差连接"] end subgraph 目标任务 T1[图像分类] T2["目标检测<br/>YOLO"] T3[图像分割] T4[人脸识别] end L & A & V & R --> T1 & T2 & T3 & T4 style L fill:#ffebee style R fill:#e3f2fd style T2 fill:#e8f5e9
自然语言处理 NLP
flowchart TD subgraph 词嵌入 W1["Word2Vec<br/>CBOW/Skip-gram"] W2["GloVe<br/>共现矩阵"] end subgraph 序列模型 S1["RNN/LSTM"] S2["Transformer<br/>Self-Attention"] end subgraph 大语言模型 LLM1["GPT<br/>生成式"] LLM2["BERT<br/>理解式"] LLM3[LLaMA等开源模型] end W1 & W2 --> S1 & S2 S2 --> LLM1 & LLM2 & LLM3 style W1 fill:#ffebee style S2 fill:#e3f2fd style LLM1 fill:#e8f5e9
四、强化学习 Reinforcement Learning
flowchart LR Agent[Agent] <--> Environment[Environment] subgraph Agent内部 P1[策略 π] P2["价值函数 V/Q"] end subgraph 核心算法 A1[Q-Learning] A2[Policy Gradient] A3[Actor-Critic] end Agent --> P1 & P2 P1 & P2 --> A1 & A2 & A3 style Agent fill:#ffebee style Environment fill:#e3f2fd style A1 fill:#e8f5e9
五、AI伦理与安全
flowchart TD subgraph 伦理问题 E1[偏见与公平] E2[隐私保护] E3[透明度] E4[责任归属] end subgraph 安全威胁 S1[对抗样本攻击] S2[模型窃取] S3[数据投毒] S4[隐私泄露] end E1 & E2 & E3 & E4 --> AI治理 S1 & S2 & S3 & S4 --> AI治理 style E1 fill:#ffebee style S1 fill:#e3f2fd
六、AI思维方式
mindmap root((AI思维)) 数据驱动 从数据学习 而非手工规则 概率思维 不确定性建模 贝叶斯推理 优化思维 损失函数设计 梯度下降求解 泛化思维 训练到测试 避免过拟合
📖 学习路径
flowchart TD A["数学基础<br/>线代/概率/微积分"] --> B["编程基础<br/>Python"] B --> C["机器学习基础<br/>监督/无监督"] C --> D["深度学习<br/>神经网络"] D --> E["专业方向<br/>CV/NLP/RL"] E --> F["前沿研究<br/>大模型/AI安全"] style A fill:#ffebee style C fill:#e3f2fd style E fill:#e8f5e9 style F fill:#f3e5f5
参考文献
- 《机器学习》- 周志华
- 《深度学习》- Ian Goodfellow
- 《强化学习》- Sutton & Barto
- 《Pattern Recognition and Machine Learning》- Bishop