AI 入门

基础的 AI 知识，作为了解使用

了解 AI 领域的树形结构

人工智能（Artificial Intelligence）
├─ **1. 机器学习（Machine Learning）**
│  ├─ 监督学习（Supervised Learning）
│  │  ├─ 回归（Regression）
│  │  └─ 分类（Classification）
│  ├─ 无监督学习（Unsupervised Learning）
│  │  ├─ 聚类（Clustering）
│  │  └─ 降维（Dimensionality Reduction）
│  ├─ 强化学习（Reinforcement Learning）
│  │  ├─ 马尔可夫决策过程（MDP）
│  │  └─ 深度强化学习（Deep RL）
│  └─ 深度学习（Deep Learning）
│     ├─ 卷积神经网络（CNN）
│     ├─ 循环神经网络（RNN）
│     └─ 生成对抗网络（GAN）
│
├─ **2. 自然语言处理（Natural Language Processing, NLP）**
│  ├─ 语音识别（Speech Recognition）
│  ├─ 文本生成（Text Generation）
│  ├─ 机器翻译（Machine Translation）
│  └─ 情感分析（Sentiment Analysis）
│
├─ **3. 计算机视觉（Computer Vision）**
│  ├─ 图像分类（Image Classification）
│  ├─ 目标检测（Object Detection）
│  ├─ 图像分割（Image Segmentation）
│  └─ 视频分析（Video Analysis）
│
├─ **4. 知识表示与推理（Knowledge Representation & Reasoning）**
│  ├─ 本体论（Ontology）
│  ├─ 知识图谱（Knowledge Graph）
│  └─ 逻辑推理（Logical Reasoning）
│
├─ **5. 规划与决策（Planning & Decision Making）**
│  ├─ 自动规划（Automated Planning）
│  ├─ 博弈论（Game Theory）
│  └─ 多智能体系统（Multi-Agent Systems）
│
├─ **6. 机器人学（Robotics）**
│  ├─ 运动控制（Motion Control）
│  ├─ 路径规划（Path Planning）
│  └─ 人机协作（Human-Robot Interaction）
│
├─ **7. 专家系统（Expert Systems）**
│  ├─ 规则引擎（Rule-Based Systems）
│  └─ 推理机（Inference Engine）
│
├─ **8. 进化计算（Evolutionary Computation）**
│  ├─ 遗传算法（Genetic Algorithms）
│  ├─ 遗传编程（Genetic Programming）
│  └─ 群体智能（Swarm Intelligence）
│
├─ **9. 其他重要领域**
│  ├─ 模糊逻辑（Fuzzy Logic）
│  ├─ 认知计算（Cognitive Computing）
│  └─ 自动推理（Automated Reasoning）
│
└─ **10. 交叉领域**
   ├─ 神经符号人工智能（Neuro-Symbolic AI）
   └─ 可解释AI（Explainable AI, XAI）

目前为止（2025-01-07），市场上的 deepseek 和 ChatGPT 都是属于 自然语言处理 和 机器学习中的深度学习 等。

深度学习概念关系金字塔

    人工智能（AI）
        ↓
    机器学习（ML）
        ↓
    神经网络（NN）
        ↓
    深度学习（DL）

机器学习是AI的一个子领域

AI 学习计划

deepseek 生成的学习计划，可作参考：

一、短期目标（1-3个月）：掌握机器学习核心能力

学习重点

1. 机器学习理论强化

   • 深入理解监督学习三要素：模型（假设空间）→ 策略（损失函数）→ 算法（优化方法）
   • 推导经典算法：从线性回归的闭式解到逻辑回归的梯度下降
   • 掌握评估指标：精确率/召回率、ROC-AUC、F1-Score

2. Scikit-learn深度实践

   • 完整实现机器学习流水线：特征工程（One-Hot编码、标准化）→ 模型训练 → 超参数调优（GridSearchCV）
   • 挑战Kaggle经典比赛：Titanic生存预测、房价预测

3. 数学工具升级

   • 矩阵微积分：理解梯度∇在反向传播中的作用
   • 概率编程：用NumPy实现EM算法或朴素贝叶斯

项目建议

• 用随机森林预测学生成绩（数据：UCI Student Performance）
• 手写K-Means聚类算法（不用第三方库）

---

二、中期目标（3-6个月）：攻破深度学习与实战

学习重点

1. 神经网络原理推导

   • 从零实现一个3层MLP（含反向传播推导）
   • 理解梯度消失问题 → 用Xavier初始化解决

2. PyTorch/TensorFlow实战

   • 掌握张量操作、自动微分、Dataset/Dataloader
   • 复现经典模型：LeNet-5（MNIST）、ResNet-18（CIFAR-10）

3. 领域专项突破

   • CV方向：学习CNN架构设计（感受野计算、跳跃连接）
   • NLP方向：实现Word2Vec → Transformer位置编码

项目建议

• 用CNN实现COVID-19胸片分类（Kaggle数据集）
• 基于LSTM的股票价格预测（注意处理时序数据泄露）

---

三、长期目标（6-12个月）：前沿探索与系统工程

学习重点

1. 高级模型架构

   • 生成对抗网络（GAN）：实现DCGAN生成人脸
   • Transformer进阶：BERT微调（Hugging Face库）
   • 图神经网络（GNN）：用PyG处理社交网络数据

2. 模型部署与优化

   • ONNX模型格式转换 → 用Flask部署API
   • 模型压缩技术：知识蒸馏、量化（TensorRT）

3. 论文复现与创新

   • 精读经典论文（如ResNet、Attention Is All You Need）
   • 在GitHub创建个人项目库，尝试改进现有模型

项目建议

• 部署一个实时风格迁移Web应用
• 复现YOLOv3目标检测模型（COCO数据集）

---

四、学习资源精准推荐

理论强化

• 《机器学习》（周志华西瓜书）→ 配合公式推导
• CS229（吴恩达斯坦福课程）→ 数学视角的ML
• 《Deep Learning》（Goodfellow）→ 重点读前5章

实践利器

• Kaggle Courses（免费微课程，含实战练习）
• Fast.ai（面向实践的代码驱动教学）
• Papers With Code（论文+代码一站式资源）

工具栈

• 开发环境：VS Code + Jupyter Lab
• 版本控制：Git + DVC（数据版本控制）
• 实验管理：MLflow或Weights & Biases

---

五、关键避坑策略

1. 避免"调参陷阱"：每次调参前先问为什么（如学习率调整需结合Loss曲线分析）
2. 数学不要死磕：遇到复杂推导时，先理解几何意义再回看公式（如SVM对偶问题的物理意义）
3. 保持代码规范：从早期开始使用Type Hints和Docstring，推荐遵循PEP 582
4. 硬件利用技巧：免费资源优先（Google Colab Pro → AWS Educate学生优惠）

---

六、职业发展衔接

1. 作品集构建

   • GitHub：包含3个高质量项目（1个ML传统项目 + 1个DL项目 + 1个部署项目）
   • 技术博客：用Markdown记录学习笔记（推荐GitHub Pages托管）

2. 竞赛与社区

   • 定期参加Kaggle（至少拿到1个银牌）
   • 参与AI顶会（NeurIPS/ICML）的OpenReview评审

3. 岗位准备

   • 机器学习工程师：重点刷LeetCode中等难度题（特别是数组和树相关）
   • 研究岗位：精读3-5篇顶会论文并复现代码

---

学习节奏建议

• 每日：1小时理论学习 + 2小时代码实践
• 每周：完成一个Kaggle Notebook或小型项目
• 每月：复现一篇论文的核心方法

按照这个路径，12个月后可达到：
✅ 独立完成端到端的AI项目开发
✅ 掌握工业级模型优化技巧
✅ 具备参与AI科研或工程岗位的竞争力