人工智能学习路线

印象编程
145 阅读6分钟

人工智能学习路线

人工智能.png

数据分析

数据分析是人工智能的基础，通过数据清洗、分析与可视化挖掘数据价值，需掌握 Pandas(数据处理)、NumPy(数值计算)、Matplotlib(基础绘图)、seaborn(高级可视化)，此外新兴的Polars库在大数据处理效率上表现突出。
image-20251102002227186

  • Pandas：用于数据结构创建、数据清洗、分组聚合等，如处理 CSV、Excel 数据。
  • NumPy：提供多维数组对象及高效数学运算，是数值计算的基石。
  • Matplotlib：可绘制折线图、柱状图、散点图等各类基础图表。
  • seaborn：基于 Matplotlib，能绘制更美观的统计图表，如热力图、箱线图。
  • Polars：快速处理大型数据集，支持懒执行，在速度和内存效率上优势明显。

机器学习

机器学习：让机器从数据中学习模式并预测决策，涵盖多种模型类型。
image-20251102002337237

  • 回归模型：用于预测连续值，如线性回归（预测房价）、岭回归（解决多重共线性）。
  • 分类模型：用于类别预测，如逻辑回归（二分类）、SVM（支持向量机，可分线性与非线性分类）、决策树（直观的分类规则生成）、随机森林（多棵决策树集成，提升准确率与鲁棒性）。
  • 聚类模型：无监督学习，将相似数据聚为一类，如 K - means（指定聚类数的硬聚类）、DBSCAN（基于密度的聚类，无需指定聚类数）。
  • 集成学习：结合多个弱学习器形成强学习器，如 AdaBoost（逐步提升弱分类器性能）、Gradient Boosting（梯度提升，如 XGBoost、LightGBM）。

图形处理

图形处理聚焦图像与视频的处理、分析与识别，OpenCV是核心工具，可用于图像读取、滤波、边缘检测、目标识别等，如人脸识别、图像分割、自动驾驶中的视觉感知。
image-20251102002418062

  • Opencv：提供丰富的图像处理函数，支持图像预处理、特征提取、物体检测等操作。

计算智能

计算智能：模拟自然生物或物理过程的智能算法，用于优化、搜索等问题。
image-20251102002440754

  • 遗传算法：模拟生物进化，通过选择、交叉、变异寻找最优解，如函数优化、组合优化。
  • 蚁群算法：模拟蚂蚁觅食路径，用于路径规划、旅行商问题。
  • 人工免疫算法：模拟人体免疫系统，用于异常检测、多目标优化。
  • 粒子群优化算法：模拟鸟群觅食，通过粒子位置和速度更新寻找最优解，适用于函数优化、神经网络训练。
  • 人工蜂群算法：模拟蜜蜂采蜜，用于函数优化、工程设计优化。
  • 生物地理学优化算法：模拟生物物种分布，用于多目标优化、约束优化。
  • 多目标优化算法：在多个目标间寻找平衡的最优解，如NSGA - II。
  • 约束优化算法：在满足约束条件下寻找最优解，如惩罚函数法。

自然语言处理

自然语言处理：让机器理解和生成人类语言，涉及分词、词性标注、命名实体识别、语义分析、机器翻译、情感分析等，如聊天机器人、智能问答系统、文本分类。
image-20251102002730244

  • 分词工具：如jieba（中文分词）、NLTK（英文分词）。
  • 词向量：将词语转化为向量表示，捕捉语义关系。
  • 预训练模型：通过大规模语料预训练，在各类NLP任务上表现出色。
  • 应用方向：机器翻译（如谷歌翻译）、情感分析（分析用户评论情感倾向）、问答系统（如智能助手回答问题）。

深度学习

深度学习：是机器学习的进阶方向，通过多层神经网络学习复杂特征表示，实现更强大的拟合与预测能力，是计算机视觉、自然语言处理等领域的核心技术支撑。
image-20251102002527804

  • 神经网络：由输入层、隐藏层、输出层组成，通过神经元间的权重传递与激活函数实现信息处理，是深度学习的基础结构。
  • CNN（卷积神经网络）：擅长处理图像、视频等网格状数据，通过卷积层、池化层提取空间特征，应用于图像分类、目标检测。
  • RNN（循环神经网络）：处理序列数据（如文本、语音），通过循环结构保留时序信息，用于机器翻译、语音识别。
  • LSTM（长短期记忆网络）：改进RNN的梯度消失问题，能长期记忆序列信息，适用于长文本分析、时间序列预测。
  • Transformer：基于自注意力机制，并行处理序列数据，在自然语言处理、计算机视觉领域取得突破性成果。
  • 迁移学习：将已训练模型的知识迁移到新任务，减少数据依赖与训练成本，常用于小数据集场景的模型优化。

强化学习

强化学习：让智能体在与环境的交互中通过试错学习最优策略，以最大化累积奖励，广泛应用于游戏 AI、机器人控制、自动驾驶等领域，核心要素包括状态、动作、奖励与策略。
image-20251102002551570

  • 经典算法：Q - learning（基于价值的算法，学习动作价值函数）、SARSA（在线策略学习算法）。
  • 深度强化学习：结合深度学习与强化学习，如DQN（深度Q网络，将Q - learning与CNN结合，用于Atari游戏）、PPO（近端策略优化，高效的策略梯度算法）、DDPG（深度确定性策略梯度，适用于连续动作空间）。

RAG 时效知识库

RAG 时效知识库：通过检索增强生成技术，让大模型结合外部实时或专业知识库回答问题，解决大模型知识滞后与领域局限问题，是企业级 AI 应用的关键技术之一。
image-20251102002629536

  • 向量数据库：用于存储文本的向量表示，实现高效的语义检索，如 Milvus、Pinecone。
  • LangChain：用于构建基于大语言模型的应用框架，可实现多工具调用、知识库检索、多步骤推理等复杂流程，简化 RAG 系统的开发。

大语言模型

大语音模型：基于大规模文本语料预训练的语言模型，具备强大的自然语言理解与生成能力，可完成对话、创作、翻译、代码生成等多任务，代表了自然语言处理的前沿水平。
image-20251102002811203

  • 代表模型：GPT 系列（OpenAI，如GPT - 4）、BERT系列（谷歌，如BERT - Large）、LLaMA（Meta，开源大模型）、ERNIE（百度，中文优化模型）。
  • 技术要点：预训练（自监督学习海量文本）、微调（针对特定任务调整模型）、提示工程（通过提示词引导模型输出）。

多模态模型

多模态模型：融合文本、图像、音频、视频等多种模态数据进行学习与推理，实现跨模态的理解与生成，是人工智能向通用智能迈进的重要方向，应用于图文生成、多模态检索、智能助手等场景。
image-20251102002829852

  • 代表模型：CLIP（OpenAI，图文对齐预训练，可实现零样本图像分类）、GPT - 4V（多模态版GPT - 4，支持图像输入与理解）、Gemini（谷歌，多模态大模型，支持文本、图像、音频等交互）。
  • 技术方向：模态融合（如何有效整合不同模态的特征）、跨模态生成（如文生图、图生文）、多模态理解（如图像描述、视频内容分析）。
avatar
文章
阅读
粉丝