人工智能，机器学习，深度学习

人工智能（AI）：计算机科学的一个广泛领域，目标是让机器具备类人的“智能”，包括自然语言处理（NLP）、计算机视觉、机器人技术、专家系统等等；具体实现手段多种多样，包括规则系统、符号逻辑、统计方法、机器学习等。

机器学习：AI的一个子领域，核心是通过数据驱动，让计算机进行学习并改进性能，自动发现规律（模式），并利用这些规律进行预测或决策。

深度学习：机器学习的一个子领域，基于多层神经网络处理复杂任务。

机器学习应用领域

最主流、高频领域：

• 计算机视觉Computer Vision (CV)：人脸识别、图像分类、目标检测、OCR 文字识别
• 自然语言处理Natural Language Processing (NLP)：聊天机器人、翻译、文本分类、摘要、情感分析
• 推荐系统Recommendation System：短视频 / 电商 / 音乐 平台“猜你喜欢”
• 语音识别与合成Speech Recognition & Synthesis：语音转文字、语音播报、虚拟人声
• 数据挖掘与预测Data Mining & Prediction：销量预测、用户流失预测、异常检测

行业落地场景

• 金融Finance：风控(risk control)、反欺诈(anti-fraud)、信用评分(credit scoring)
• 医疗Healthcare：病灶检测(lesion detection)、辅助诊断(auxiliary diagnosis)、药物研发(drug discovery)
• 自动驾驶Autonomous Driving：感知(perception)、决策(decision)、规划(planning)
• 安防Security：行为分析(behavior analysis)、入侵检测(intrusion detection)
• 工业Industry：质检(quality inspection)、故障预测(fault prediction)、能耗优化(energy optimization)
• 教育Education：智能批改(intelligent grading)、个性化学习(personalized learning)

机器学习基本术语

🍪数据集（Data Set）：多条记录的集合。

• 训练集（Training Set）：用于训练模型的数据。
• 验证集（Validation Set）：用于调节超参数的数据。
• 测试集（Test Set）：用于评估模型性能的数据。

🍪样本（Sample）：数据集中的一条记录是关于一个事件或对象的描述，称为一个样本。

🍪特征（Feature）：数据集中一列反映事件或对象在某方面的表现或性质的事项，称为特征或属性。

🍪特征向量（Feature Vector）：将样本的所有特征表示为向量的形式，输入到模型中。

🍪标签（Label）：监督学习中每个样本的结果信息，也称作目标值（target）。

🍪模型（Model）：一个机器学习算法与训练后的参数集合，用于进行预测或分类。

🍪参数（Parameter）：模型通过训练学习到的值，例如线性回归中的权重和偏置。

🍪超参数（Hyper Parameter）：由用户设置的参数，不能通过训练自动学习，例如学习率、正则化系数等。

机器学习三要素

机器学习的方法一般主要由三部分构成：模型、策略和算法，可以认为：

机器学习方法 = 模型 + 策略 + 算法

1. 模型（model）：总结数据的内在规律，用数学语言描述的参数系统
2. 策略（strategy）：选取最优模型的评价准则
3. 算法（algorithm）：选取最优模型的具体方法

机器学习方法分类

机器学习最主流分类方式是按学习范式分类，分为以下几类：

1. 监督学习（Supervised Learning）

• 核心：有标签 / 标准答案，模型学 “输入→输出” 映射
• 典型任务：
  • 分类：图片分类、文本情感分类、垃圾邮件识别
  • 回归：房价预测、销量预测、股价预测
• 代表算法：逻辑回归、SVM、决策树 / 随机森林、XGBoost、CNN、RNN、Transformer

2. 无监督学习（Unsupervised Learning）

• 核心：无标签，模型学数据本身的结构、分布、模式
• 典型任务：
  • 聚类：用户分群、图像分割、异常检测
  • 降维：PCA、特征提取、可视化
  • 密度估计 / 生成：学习数据分布
• 代表算法：K-Means、DBSCAN、PCA、AutoEncoder、GMM

3. 半监督学习（Semi-supervised Learning）

• 核心：少量标签 + 大量无标签，用无标签数据提升泛化
• 适用：标注成本高（医疗、金融、语音）

4. 强化学习（Reinforcement Learning）

• 核心：智能体与环境交互，通过奖励 / 惩罚学习最优策略
• 典型任务：游戏 AI、机器人控制、推荐系统排序、自动驾驶决策
• 代表：DQN、PPO、A3C、AlphaGo 系列

机器学习建模流程