AI基础入门¶

什么是人工智能¶

人工智能（Artificial Intelligence，AI）是计算机科学的一个分支，致力于创建能够模拟人类智能行为的系统。

AI的定义¶

AI的发展历程¶

timeline
    title 人工智能发展历程
    1950s : 图灵测试提出
          : 达特茅斯会议
    1960s : 专家系统兴起
          : 感知机模型
    1980s : 机器学习概念形成
          : 反向传播算法
    2000s : 统计学习方法流行
          : SVM、随机森林
    2010s : 深度学习突破
          : AlexNet、ResNet
    2020s : 大语言模型时代
          : GPT、Claude、Gemini

AI分支关系图¶

graph TB
    AI[人工智能]

    AI --> ML[机器学习]
    AI --> NLP[自然语言处理]
    AI --> CV[计算机视觉]
    AI --> Robotics[机器人学]

    ML --> DL[深度学习]
    ML --> RL[强化学习]
    ML --> SL[统计学习]

    DL --> CNN[卷积神经网络]
    DL --> RNN[循环神经网络]
    DL --> Transformer[Transformer]
    DL --> LLM[大语言模型]

    CNN --> ImageNet[图像识别]
    RNN --> Speech[语音识别]
    Transformer --> GPT[GPT系列]
    Transformer --> BERT[BERT系列]

    style AI fill:#e1f5fe
    style ML fill:#f3e5f5
    style DL fill:#e8f5e9
    style LLM fill:#fff3e0

AI的主要分支¶

1. 机器学习（Machine Learning）¶

机器学习是AI的核心分支，让计算机从数据中自动学习规律。

主要类型：

• 监督学习：从标记数据中学习（分类、回归）
• 无监督学习：从无标记数据中发现模式（聚类、降维）
• 强化学习：通过与环境交互学习最优策略

2. 深度学习（Deep Learning）¶

深度学习是机器学习的一个子集，使用多层神经网络处理复杂数据。

主要模型：

• CNN（卷积神经网络）：处理图像数据
• RNN/LSTM：处理序列数据
• Transformer：处理各类序列数据，NLP的主流架构

3. 自然语言处理（NLP）¶

让计算机理解和生成人类语言。

应用场景：

• 机器翻译
• 情感分析
• 问答系统
• 文本生成

4. 计算机视觉（CV）¶

让计算机理解和分析图像/视频。

应用场景：

• 图像分类
• 目标检测
• 人脸识别
• 图像生成

AI的核心概念¶

数据与特征¶

原始数据 → 特征提取 → 模型训练 → 预测结果

特征工程的重要性：

• 好的特征能大幅提升模型效果
• 特征选择比模型选择更重要
• 特征工程是机器学习的核心技能

模型评估¶

分类任务评估指标：

• 准确率（Accuracy）
• 精确率（Precision）
• 召回率（Recall）
• F1分数

回归任务评估指标：

• 均方误差（MSE）
• 平均绝对误差（MAE）
• R²分数

过拟合与欠拟合¶

AI开发环境搭建¶

Python环境配置¶

# 创建虚拟环境
python -m venv ai_env

# 激活环境（Windows）
ai_env\Scripts\activate

# 安装常用库
pip install numpy pandas scikit-learn matplotlib seaborn
pip install tensorflow torch  # 深度学习框架

Jupyter Notebook¶

pip install jupyterlab
jupyter lab

下一步学习¶

完成本教程后，建议继续学习：

1. 机器学习教程 - 掌握核心算法
2. 深度学习教程 - 深入神经网络
3. Python机器学习实战 - 实战项目练习