知识花园

Artificial Intelligence MOC

6分钟阅读

人工智能领域总导航：AI 全景分支 + 机器学习完整知识体系（学习范式、模型分类、数学基础、工程实践与前沿方向）。

目录结构

03 Artificial Intelligence/
├── 01 ML Foundation/         # 机器学习基础
├── 02 Deep Learning/         # 深度学习
├── 03 Diffusion Models/      # 扩散模型
├── 04 Large Language Models/ # 大语言模型
├── 05 Computer Vision/       # 计算机视觉
├── 06 Multimodal/            # 多模态
└── 07 Video Generation/      # 视频生成

概论

人工智能的核心目标：让机器模拟人类智能行为（感知、推理、学习、决策）。

机器学习是 AI 最重要的子领域，以数据、模型、优化三要素为核心，通过数据驱动让机器自动学习规律。

维度AIML
目标模拟人类智能数据自动学习
路径规则/数据/神经模拟仅数据驱动
典型专家系统、ChatGPT神经网络、决策树

学习范式

类型特点典型方法
监督学习数据有标注，假设输入输出服从联合分布分类、回归
无监督学习数据无标注，学习统计规律或潜在结构聚类、降维
强化学习与环境交互学习最优策略Q-Learning、PPO
半监督学习少量标注 + 大量无标注数据自训练、图模型

模型分类

概率模型：可表示为联合概率分布，如贝叶斯网络、马尔可夫随机场、条件随机场。

非概率模型：不一定可表示为联合概率分布，如 SVM、神经网络。

参数化模型：参数量固定。

非参数化模型：参数量随数据增长，如 k-NN、高斯过程。

学习策略

损失函数：衡量单样本预测误差。风险函数：损失函数的期望。

由于联合分布未知，用经验风险近似：

  • 经验风险最小化 → 极大似然估计（MLE）
  • 结构风险最小化 → 最大后验估计（MAP）

正则化是结构风险最小化的实现，防止过拟合。

数学基础

领域核心内容应用场景
线性代数矩阵运算、特征分解、SVD、张量模型参数优化
概率统计贝叶斯定理、概率分布、统计推断不确定性量化
优化理论梯度下降、凸优化、正则化损失函数最小化
信息论熵、交叉熵、KL 散度模型评估

入门路径见 机器学习入门。

核心算法

监督学习：逻辑回归、决策树、随机森林、XGBoost、SVM。

无监督学习：K-Means、DBSCAN、PCA、t-SNE、孤立森林。

强化学习：Q-Learning、DQN、PPO、SAC。

深度学习：CNN（图像）、RNN/LSTM（序列）、Transformer（注意力）、GAN、扩散模型。

工程实践

  • 数据流程：预处理、特征工程、数据增强
  • 框架：PyTorch、TensorFlow、Scikit-Learn
  • 评估：准确率/F1/AUC（分类）、MSE/MAE（回归）、K 折交叉验证

PyTorch

PyTorch 是 Meta 开发的开源深度学习框架，以灵活性、易用性和动态计算著称。

前沿方向

  • 大模型：GPT-4、多模态统一建模
  • 生成式 AI：视频生成、3D 内容创建
  • 联邦学习：隐私保护分布式训练

学习路径

  1. 入门：数学基础 + Python 编程
  2. 进阶：经典算法实践 + 深度学习框架
  3. 高阶：NLP（Transformer/BERT）、CV（YOLO/Mask R-CNN）、RL（GYM/PPO）

其他 AI 分支

符号主义/逻辑推理

基于规则和逻辑符号推理，不依赖数据学习。典型：专家系统、定理证明器、Prolog。

知识图谱

形式化存储知识，支撑问答、推荐。典型：谷歌知识图谱。

规划与决策

自动生成动作序列达成目标。典型：A* 路径规划、博弈论。

机器人学

设计、控制、感知与交互。非学习技术：PID 控制、SLAM。

进化计算

模拟生物进化优化。典型：遗传算法、粒子群优化。

模糊逻辑

突破二值逻辑，允许部分为真。应用：家电控制、工业自动化。

人工生命

模拟生命系统演化。典型：群体智能、蚁群算法。

总结

机器学习是当前主流范式，其知识体系由数学基础、核心算法与工程实践支撑；但 AI 还包括符号逻辑、知识图谱、规划决策、进化计算等分支，共同构成完整体系。

关系图谱