??一、人工智能三大概念??
-
??人工智能（AI）??
-
定義：使用計算機模擬或代替人類智能的研究領域
-
目標：像人類一樣思考（理性推理）、行動（決策執行）
-
別名：仿智
-
-
??機器學習（ML）??
-
定義：從數據中??自動學習規律??（模型），并用模型預測新數據
-
核心：基于模型自動學習（非人工規則編程）
-
示例：房價預測模型
y = ax + b（a、b為模型參數）
-
-
??深度學習（DL）??
-
定義：模擬人腦神經元的??深度神經網絡??，通過多層結構學習復雜規律
-
特點：從機器學習發展而來，適合圖像、語音等復雜任務
-
-
??三者關系??
機器學習是實現人工智能的一種途徑，深度學習是機器學習的一種方法
??二、機器學習的應用領域與發展史??
??應用領域??
-
??計算機視覺（CV）??：圖像/視頻理解（如人臉識別）
-
??自然語言處理（NLP）??：文本分析、機器翻譯
-
??數據挖掘??：從大數據中發現隱藏規律
??發展史??
-
??1956年??：AI元年
-
??2012年??：AlexNet引爆深度學習（CV領域）
-
??2017年??：Transformer框架推動NLP發展
-
??2022年??：ChatGPT開啟AIGC時代
??三要素??
-
??數據??：模型訓練的基礎
-
??算法??：解決問題的數學方法
-
??算力??：硬件支持（CPU/GPU/TPU）
-
CPU：適合I/O密集型任務
-
GPU：適合計算密集型任務（如神經網絡訓練）
-
??三、機器學習常用術語??
| 術語 | 說明 | 示例 |
|---|---|---|
| ??樣本?? | 數據集中的一行數據（一條記錄） | 西瓜數據集中的一條 |
| ??特征?? | 描述樣本的屬性（一列數據） | 西瓜的色澤、根蒂 |
| ??標簽?? | 待預測的目標值 | 西瓜是否是好瓜（0/1） |
| ??訓練集?? | 用于訓練模型的數據（70-80%） |
|
| ??測試集?? | 用于評估模型的數據（20-30%） |
|
??四、機器學習算法分類??
1. ??監督學習??（數據含標簽）
-
??回歸??：預測連續值（如房價）
-
??分類??：預測離散類別（如是否垃圾郵件）
2. ??無監督學習??（數據無標簽）
-
??聚類??：按樣本相似性分組（如用戶分群）
3. ??半監督學習??
-
少量標注數據 + 大量未標注數據，降低標注成本
4. ??強化學習??
-
智能體通過??環境交互??獲取獎勵（如AlphaGo、自動駕駛）
-
四要素：Agent, Environment, Action, Reward
??五、機器學習建模流程?
-
??數據預處理??：處理缺失值、異常值
-
??特征工程??（核心耗時步驟）:
-
特征提取 → 特征預處理 → 特征降維 → 特征選擇 → 特征組合
-
-
??模型訓練??：選擇算法（如線性回歸、決策樹）
-
??模型評估??：
-
回歸：均方誤差（MSE）
-
分類：準確率、召回率
-
??六、特征工程詳解??
??目標??：提升模型效果，是影響模型上限的關鍵
??原則??：數據和特征 > 模型算法
| 步驟 | 作用 |
|---|---|
| ??特征提取?? | 從原始數據構造特征向量（如文本轉詞向量） |
| ??特征預處理?? | 標準化/歸一化，消除特征量綱影響（如MinMax縮放） |
| ??特征降維?? | 降低特征維度，保留主要信息（如PCA） |
| ??特征選擇?? | 篩選與任務相關的特征子集（不修改原始數據） |
| ??特征組合?? | 合并特征（如乘法/加法），增強表達能力（如組合“面積×位置”預測房價） |
??七、模型擬合問題??
| 問題 | 表現 | 原因 | 解決方案 |
|---|---|---|---|
| ??欠擬合?? | 訓練集和測試集效果均差 | 模型過于簡單 | 增加特征、增強模型復雜度 |
| ??過擬合?? | 訓練集效果好，測試集效果差 | 模型復雜/數據噪聲多 | 簡化模型、正則化、增加數據量 |
??核心概念??
-
??泛化能力??：模型在??新數據??上的表現（最終目標）
-
??奧卡姆剃刀原則??：相同效果下，選擇更簡單的模型
??八、開發環境??
-
??工具??：
scikit-learn（Python庫）-
特點：
-
基于NumPy/SciPy/matplotlib
-
開源，支持分類/回歸/聚類等算法
-
-
安裝：
pip install scikit-learn -
官網：https://scikit-learn.org
-
??關鍵總結??
-
??學習方式??：
-
規則編程（人工定義邏輯） → 機器學習（自動學習模型）
-
-
??核心鏈路??：
數據 → 特征工程 → 模型訓練 → 評估優化 -
??避坑指南??：
-
優先解決特征工程，再優化模型
-
模型選擇：簡單模型優先，避免過擬合
-
)
