人工智能 - 1

深度强化学习（Deep Reinforcement Learning）
图神经网络（Graph Neural Networks, GNNs）
Transformer    一种深度学习模型
大语言模型（Large Language Models, LLMs）

人工智能

    •    Marvin Minsky 将其定义为让机器完成通常需要人类智能才能完成的任务的科学

机器学习（Machine Learning, ML）

    •    AI 的一个子集，利用数据训练模型，使系统无需显式编程即可完成任务。

 常见方法：
    •    监督学习：数据有明确的输入和输出。
    •    无监督学习：数据没有明确标签，模型寻找数据的隐藏模式。
    •    强化学习：通过奖励和惩罚学习动作。

深度学习（Deep Learning, DL）

    •    机器学习的一个子集，利用多层神经网络处理复杂任务。
    •    特点：需要大量数据和算力，能够自动提取特征。

机器学习的分类

    1.    监督学习（Supervised Learning）：
    •    输入和输出数据均已知，模型根据输入数据预测输出标签。
    •    例子：图像分类、回归分析。

    2.    无监督学习（Unsupervised Learning）：
    •    输入数据已知，但没有明确的输出标签，模型需要从数据中发现模式。
    •    例子：聚类、降维。

    3.    强化学习（Reinforcement Learning）：
    •    系统与环境交互，通过获得奖励最大化长期收益。
    •    例子：游戏 AI、机器人路径规划。

半监督学习 (Semi-Supervised Learning)

    •    数据集中包含标注数据和未标注数据的混合。
    •    标注数据用于指导学习，未标注数据提供额外信息（如数据分布）。
    •    特点：
    •    减少标注需求，结合监督和无监督学习的优点。

自监督学习 (Self-Supervised Learning）

  自监督是一种无监督学习的形式，数据为自身提供监督信号。
    •