机器学习到智能体的AI全览

机器学习

机器学习是人工智能的核心分支，通过算法让计算机从数据中学习规律并做出预测或决策。主要分为三类：

• 监督学习：利用标注数据训练模型，如分类（图像识别）和回归（房价预测）。常见算法包括线性回归、决策树、支持向量机（SVM）。
• 无监督学习：从无标注数据中发现模式，如聚类（客户分群）和降维（PCA）。典型算法有K-means、DBSCAN。
• 强化学习：通过与环境交互学习最优策略，如AlphaGo。核心框架包括马尔可夫决策过程（MDP）和Q-learning。

神经网络

神经网络模拟人脑神经元结构，由输入层、隐藏层和输出层组成，通过权重调整实现非线性映射。

• 前馈神经网络（FNN）：数据单向传播，适用于简单分类任务。
• 反向传播算法：通过梯度下降优化权重，公式为：
  \( \Delta w_{ij} = -\eta \frac{\partial E}{\partial w_{ij}} \)
  其中 \( \eta \) 是学习率，\( E \) 是损失函数。

深度学习

深度学习基于多层神经网络，可自动提取高阶特征。典型架构包括：

• 卷积神经网络（CNN）：用于图像处理，通过卷积核捕捉局部特征，如ResNet、VGG。
• 循环神经网络（RNN）：处理序列数据（文本、语音），LSTM和GRU解决了长程依赖问题。

自然语言处理（NLP）

NLP实现计算机对人类语言的理解与生成，关键技术包括：

• 词嵌入：Word2Vec、GloVe将词语映射为向量。
• Transformer：基于自注意力机制，BERT和GPT的核心架构。公式中注意力权重计算为：
  \( \text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V \)

大模型

大模型指参数量巨大的预训练模型，如GPT-3（1750亿参数）、PaLM（5400亿参数）。特点包括：

• 零样本/小样本学习：无需微调即可完成任务。
• 多模态能力：CLIP结合图像与文本，DALL·E生成图像。

智能体工作流

智能体（Agent）通过感知-决策-执行循环完成任务，常见框架：

• 分层控制：高层规划（目标分解）与底层执行（动作控制）结合。
• 多智能体系统（MAS）：协作或竞争，如自动驾驶中的车辆协同。

以上领域相互交叉，例如大模型依赖深度学习与NLP技术，智能体工作流可能集成强化学习。下面我会不定期更新各个人工智能领域的学习内容和笔记，希望对大家的人工智能学习起到帮助。