課程的核心目標：

- AI是什么？
- AI能做什么？
- AI最擅長什么類型的任務？
- AI怎么做決策？
- 企業為什么需要AI戰略？

導航

Machine Learning 機器學習

> 最常見的機器學習類型：
> 人工智能中最重要的概念是機器學習，這包括監督學習，也就是學習如何從A到B，也就是從輸入到輸出的映射（監督學習）
> 而數據，能使它有良好的表現。

例子：
- 用于構建垃圾郵件篩選器的AI：input（email）——output（0/1）
- 語言識別：input（audio音頻）——文本
- 機器翻譯：英語——中文
- 在線廣告：input（廣告信息）——output（click？是否點擊）
- 自動駕駛：圖像/雷達信息等——識別其他汽車

在這個階段，數據多多益善。

Data 數據

數據，數據集

數據可以是圖片、表格、數字、文字等等
例子：圖像訓練（是否）、用戶行為（購買與否）、機器預防維護。
目前網絡上有大量的公開數據，可以自行下載

生成式AI主要是非結構數據：比如文本、圖像、音頻
結構化數據

人工智能術語

機器學習（Machine learning）：機器學習是讓計算機能夠在不被明確編程的情況下學習的研究領域

——通常會產生一個軟件，給定a，輸出b（典型：廣告）
- **機器學習簡單來說，就是不需要人一條條給他寫死規則，而是通過喂數據給機器，讓他從中分析出一套規律，進而學會完成任務的一種方法。就是用數據教會機器做事，比如判斷一張圖片是不是貓，而不是人來告訴他 有貓耳朵的動物就是貓。**
- **機器學習是指我們不再手動給計算機寫規則，而是把大量數據喂給它，讓它自己找出規律，從而學會完成某個任務。這種靠數據訓練出來的能力，就叫機器學習。
- **機器學習就是用數據教計算機自己“總結經驗”，比如看多了貓的圖片后，它就能自己分辨出貓長什么樣。

數據科學（Data science）：數據科學是從數據中提取知識和洞察的學科

——輸出通常是一套幻燈片，演示文稿，總結結論供高管采取業務行動/總結結論供產品團隊決定如何改進網站。
- 拿做飯比喻：數據是原材料，數據科學是廚師，統計學、編程、可視化是工具；統計學是菜譜，編程是炊具，可視化是擺盤。
📦 你有一堆數據，比如：

- 顧客的購買記錄
- 每天的溫度變化
- 每條視頻的點贊數和評論數

如果你**只是看到這些數字**，那什么都不會發生。但如果你能“讀懂”它們，你就能從里面提煉出**有價值的結論**：

- 哪種顧客最容易買單？→（這叫**洞察消費者行為**）
- 什么天氣下更容易賣冷飲？→（這叫**提取規律**）
- 哪類視頻點贊最高？→（這叫**分析內容效果**）

這個**“把看似雜亂的數據變成有價值的信息”**的過程，就是數據科學在做的事！

深度學習（Deep learning）：別名，神經網絡。

- 深度學習是機器學習的一種，使用“神經網絡”來自動提取特征、解決復雜任務的技術。
- 神經網絡：模仿人腦神經元連接方式的一種算法結構。
它由一層層“節點”組成，數據從輸入層開始，一層層經過加工，最后輸出結果。
🔁 多層結構 → 就是“深層” → 所以叫“深度”學習（deep learning）

機器學習的能力與局限

can do 簡單的事
cannot do 復雜（自動駕駛，行人揮手的含義——大量數據，意圖）

ai應用更適合在簡單且高質量的環境中；
而如果像是醫院中x圖像，技師處于某種原因讓病患躺著，斜側等不同姿勢拍片，就會導致在高質量環境中訓練出來的ai無法判斷。

深度學習非技術性解析

多個因素疊加，共同影響最后的一個結果

比如賣衣服
質量、價格、產品、營銷——銷售額。而中間的過程，有不同的指向和方案，就是神經元結合在一起的神經網絡。

深度學習：給定輸入A+輸出B，它自己會弄清楚中間的所有東西。
喂 大量的數據 A， 有需求的B