AI学习笔记（一）

一、初识AI

1、什么是AI？

人工智能（Artificial Intelligence），英文缩写为AI。它是计算机科学的一个分支，研究用于模拟、延伸和扩展人的智能的理论或方法、技术及应用系统。它企图了解智能的实质，并生产出一种能与人类智能相似的智能机器，该领域的研究包括机器人、语言识别与处理、图像识别与处理、自然语言处理和专家系统等。

2、AI与传统程序设计的区别：

3、人工智能、机器学习、神经网络、深度学习几者间的关系：

（1）人工智能：

包含“机器学习”和“非机器学习”（如过去的专家系统，通过大量if-else定义规则）；

（2）机器学习：

包含“传统机器学习”、“强化学习”、“神经网络”等；机器学习是一门涉及概率统计学、系统辨识、逼近理论、神经生物学、优化理论、计算机科学、哲学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。

（3）传统的机器学习：

传统机器学习涵盖以下技术：

• 决策树算法(DTrees)：利用一系列规则进行分类学习的算法；
• 随机森林算法(RFTrees)：以决策树为估计器的Bagging算法；
• 支持向量机算法(SVM)：类神经网络，将数据映射到高维空间，寻找最大切分超平面的算法；
• K-近邻算法(KNN)：根据邻居的数据类别来决定自己的类别；
• 逻辑回归(LogisticRegression)
• 线性回归
• 朴素贝叶斯算法(Bayes Classification)：根据先前经验和样本信息来确定样本类别的算法；
• 正则化模型
• 模型集成（ensemble）
• 神经网络（ANN;这个发展为一门独立的新技术了，所以这个放在机器学习中）
• …

（4）强化学习：

像训兽师训练动物一样训练模型；当动物选择正确时给予奖励，选择失败时没有奖励或给予处罚。这种学习方式（称为强化学习）与传统监督机器学习的曲线拟合方法有很大不同。尤其是，强化学习学习得非常快，因为每一个新的反馈（例如执行一个行动并获得奖励）都会影响到随后的决定。

强化学习也提供了预测和优化的平滑整合，因为它在采取不同的行动时保持当前状态的信念和可能的转换概率，然后做出决定哪些行动可以导致最佳结果。

（5）神经网络：

神经网络也被称为类神经网络，它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。

① 神经网络：

神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。模型如下：

上面的图可以抽象为下图：

神经网络分类：

• 按照网络结构区分：前馈型网络、前馈内层互联网络、反馈型网络

• 其他作者的神经网络分类图：

② 神经元模型

③ 神经网络的优越性：

• 具有自学习功能：例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。
• 具有联想存储功能：用人工神经网络的反馈网络就可以实现这种联想。
• 具有高速寻找优化解的能力：寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，可能很快找到优化解。

（6）深度学习：

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

深度学习的诞生：2006年，Hinton提出了在非监督数据上建立多层神经网络的一个有效方法，具体分为两步：首先逐层构建单层神经元，这样每次都是训练一个单层网络；当所有层训练完后，使用wake-sleep算法进行调优。

4、传统学习与深度学习的区别：

• 明确了特征学习的重要性。也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更容易。
• 与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据丰富的内在信息。
• 与人工规则构造特征的方法相比，在进行学习前无须进行特征提取。降低了建模的难度和建模效果的不确定性，省事省力。
• 与人工规则构造特征的方法相比，减

5、新一代的AI可以理解为：AI=深度学习+强化学习+百科库

• 深度学习：一切运用了神经网络作为参数结构进行优化的机器学习算法。最基础的如：CNN（卷积神经网络），RNN（递归神经网络），LSTM（长期短期记忆），GAN（生成敌对网络）等。
• 强化学习：不仅能利用现有数据，还可以通过对环境的探索获得新数据，并利用实战数据循环往复地更新迭代现有模型的机器学习算法。
• 百科库：在训练力度不够时，采用百科库进行问答还是有必要的。

6、机器学习的学习方式有哪些？

（1）监督学习

有特征（feature）和标签（label）的，即便部分没有标签，机器也是可以通过特征和标签之间的关系，判断出标签。

（2）无监督学习

只有特征，没有标签。

（3）半监督学习

使用的数据，一部分是标记过的，而大部分是没有标记的。和监督学习相比较，半监督学习的成本较低，但是又能达到较高的准确度。

（4）强化学习

强化学习也是使用未标记的数据，但是可以通过一些方法知道你是离正确答案越来越近还是越来越远（奖惩函数）。

7、训练模型的一般步骤有哪些？

• 选择一个模型结构（例如逻辑回归，随机森林等）或神经网络预训练模型；
• 用训练数据（输入和输出）输入模型；
• 学习算法将输出最优模型（即具有使训练错误最小化的特定参数的模型）；
• 用验证数据验证模型；
• 用测试数据测试模型；

作者：꧁执笔小白꧂

• [](javascript:;)赞
• [](javascript:;)收藏
• [](javascript:;)评论
• [](javascript:;)分享
• [](javascript:;)举报

上一篇：AI学习笔记（二）-【AI类人行为】与【当前主流AI】

下一篇：C#-SQLHelper（七）_Access

提问和评论都可以，用心的回复会被更多人看到 评论

发布评论

全部评论 () 最热 最新

相关文章

• [

  初识Linux笔记

  1、Linux之父：Linux Torvalds 林纳斯.托瓦兹2、Linux发行版本：Cent os，Ubuntu，Redhat(RHEL)3、Linux对比windows的优点：开源、免费、稳定性和安全性高、服务器领域95%使用4、服务器分类：塔式服务器、机架式服务器、刀片服务器.5、云的介绍：1.云计算服务器又称云服务器或云主机，是云计算服务体系中的一项主机产品。2.云服务器适合什么样的用户

  ](https://blog.51cto.com/u_16654329/10213910)

  服务器 云服务 云主机

• [

  openGauss学习笔记-308 openGauss AI特性-DB4AI数据库驱动AI-全流程AI-DB4AI-Snapshots数据版本管理

  DB4AI-Snapshots是DB4AI模块用于管理数据集版本的功能。通过DB4ai-Snapshots组件，开发者可以简单、快速地进行特征筛选、类型转换等数据预处理操作，同时还可以像git一样对训练数据集进行版本控制。数据表快照创建成功后可以像视图一样进行使用，但是一经发布后，数据表快照便固化为不可变的静态数据，如需修改该数据表快照的内容，需要创建一个版本号不同的新数据表快照。

  ](https://blog.51cto.com/shuchaoyang/11472641)

  openGauss 国产数据库 开源数据库 数据库 RDBMS

• [

  zig学习笔记：一

  HelloWorldZig 是一种强类型编译语言。它支持泛型，具有强大的编译时元编程功能，并且不包含垃圾收集器。许多人认为 Zig 是 C 的现代替代品。因此，该语言的语法与 C 类似，比较明显的就是以分号结尾的语句和以花括号分隔的块。const std = @import(“std”);//使用@引用编辑器自带模块// zig test 文件.zig 运行测试 会显示:ALL 1 test

  ](https://blog.51cto.com/u_14731509/11666891)

  zig 代码学习

• [

  AI学习笔记

  人人都是产品经理，继续设计课程啦啦啦啦 ADOBE: ps, ai, fl, dw, fw, ae, pr, id COREL: painter coreldraw autodesk: 三维： max maya cad ILLUSTRATOR: 第一天。

  ](https://blog.51cto.com/love/5282118)

  锚点 图层 解决方法

• [

  AI初步学习笔记

  基本概念 PS: 是一款针对 位图图像 进行处理的软件 位图：由像素构成的图像 矢量图：由数学函数方式计算的来的图像 AI中可编辑范围： 主画面 + 预编辑区切换画面的显示方式： F缩放工具：Z （针对画面显示放大or缩小）ctrl + 加号 （放大）Ctrl + 减号 （缩小）ctrl + o

  ](https://blog.51cto.com/475281641/1757606)

  笔记 AI 初步学习

• [

  一个AI实例－学习笔记

  制作中遇到的问题和要点心得：一、符号与普通圆的区别。先做虽然已把绘出来的圆托入符号调板，但画面上留下的仍然是普通圆，区别在在中有没有圆心可区分。二，中心对齐的快捷方式，按CTRL+F7就调出对齐方式面板。或者用CTRL+D的方式三、符号不可以使用CTEL+D复制方式。四、CTRL+D属于一种“记忆方式”（乱起的名）。它只记得此命令使用前的上一次操作。所以使用之前要注意平移或其它细小

  ](https://blog.51cto.com/jenny0927/61215)

  实例 职场 AI 休闲

• [

  【AI教程】AI基础学习笔记(第1天)

  AI是一款什么样的软件，AI全称为Adobe Illustrator，是Adobe公司开发的功能强大的工业标准矢量绘图软件。AI可以运用到什么样的工作场景中去，广泛应用于平面设计（标志设计、VI设计、画册设计、海报设计、包装设计）、插画设计、GUI设计

  ](https://blog.51cto.com/dlican/5576217)

  矢量图 AI AI教程 AI学习笔记

• [

  【AI教程】AI基础学习笔记(第2天)

  00.目录@toc01.学习目标1)图形变形系列工具旋转、缩放、镜像工具倾斜、整形工具2)颜色与渐变颜色编辑渐变编辑色板3)画笔系列画笔斑点画笔画笔面板4)图形造型系列路径查找器形状生成器实时上色02.图形变形系列工具2.1旋转工具!在这里插入图片描述(https://s2.51cto.com/images/blog/202208/21223937_630243a9a6e8599745.png?x

  ](https://blog.51cto.com/dlican/5606231)

  AI AI教程 AI基础

• [

  AI学习笔记：特征工程

  一、概述————————————————Andrew Ng：Coming up with features is difficult, time-consuming, requires expert knowledge. “Applied machine learning” is basically feature engineering（ 吴恩达， 人工智能和机器学习领域国际最权威学者之一：提取

  ](https://blog.51cto.com/u_15077537/2608367)

  java

• [

  AI学习笔记（二）-【AI类人行为】与【当前主流AI】

  一、AI类人行为 1、听-声音2、说-语音3、读（看）-文字，图片，视频（带时间的图片）4、写-文字5、触感6、行动7、智商与情感

  ](https://blog.51cto.com/u_16822845/11651195)

  历史记录 读写文件 自动驾驶

• [

  人工智能AI学习笔记(一):函数

  一, 数学基础-数据分析1. 函数函数关系式, 简称函数三个重要的因素:定义域A, 值域B, 对应的映射法则fB = f(A) = A + 12. 常见函数3.

  ](https://blog.51cto.com/u_15179769/5633237)

  人工智能 三角函数 定义域 数据分析

• [

  AI特训一：为什么要学习AI

  AI（人工智能）是指计算机系统经过学习和推理能够模拟人类智能行为的一种技术。AI利用机器学习、深度学习、自然语言处理等技术，能够分析大量的数据、识别模式、做出决策和预测。

  ](https://blog.51cto.com/dana/9863295)

  人工智能 学习 数据 自然语言处理

• [

  JSON学习笔记（一、初识）

  Json是什么？Json:JavaScript Object Notation(JavaScript 对象表示法)JSON 是存储和交换文本

  ](https://blog.51cto.com/u_15463439/4857869)

  前端 JSON json 数据 html

• [

  分享AI学习笔记之Python

  当你说"抓取网站数据"时，通常指的是网络爬虫（web scraping）或网络抓取（web crawling）。Python提供了很多库可以帮助你实现这个功能，其中最常见的有requests（用于发送HTTP请求）和BeautifulSoup（用于解析HTML和XML文档）。以下是一个简单的示例，展示了如何使用requests和BeautifulSoup从网站抓取数据：import reques

  ](https://blog.51cto.com/u_15974582/11266996)

  数据 HTML HTTP

• [

  DeepLearning.ai学习笔记汇总

  第一章 神经网络与深度学习(Neural Network & Deeplearning) “DeepLearning.ai学习笔记（一）神经网络和深度学习 Week3浅层神经网络” “DeepLearning.ai学习笔记（一）神经网络和深度学习 Week4深层神经网络” 第二章 改善深层神经网络

  ](https://blog.51cto.com/marsggbo/2799379)

  DeepLearning ai学习

• [

  【AI基础】python:numpy 学习笔记

  学习如逆水行舟，不进则退！2018-2-31、安装Anaconda，使用3.X版本进行学习。

  ](https://blog.51cto.com/devops2016/2068583)

  AI 学习 笔记

• [

  SpringCloud学习笔记（一、初识）

  SpringCloud是什么？官方文档这么写道：Spring Cloud provides tools for developers to quickly build some of the common patterns in distributed systems (e.g. configuration management, service discovery, circuit breake

  ](https://blog.51cto.com/u_15463439/5216246)

  spring 微服务 服务器

• [

  AJAX学习笔记（一、初识）

  AJAX以前搞过，不过是走马观花地看一下，但现在前后端分离多会用到这个技术，所以再仔细地

  ](https://blog.51cto.com/u_15463439/4857863)

  ajax xml html

• [

  【AI基础】python:pandas学习笔记

  pandas接口语法

  ](https://blog.51cto.com/devops2016/2074311)

  python pandas 人工智能

• [

  AI Agent 学习笔记：Agent类型

  AI Agent 可以根据不同的标准进行分类，以下是一些常见的分类方式。

  ](https://blog.51cto.com/u_16163453/12209380)

  人工智能 笔记 语言模型 ai agi

• [

  esxi 安装紫屏 是内存问题吗 esxi安装内存粉屏怎么解决

  安装ES：unzip elasticsearch-5.1.1.zip cp -r elasticsearch-5.1.1 /home/stt/server/修改配置文件： （注意配置项的冒号后面要有空格）cluster.name: stt-ELK //修改集群的名字，以免在网络上混乱串门，加入别的集群里面 node.name: ELK-node1 //自定义节点名字 path

  ](https://blog.51cto.com/u_13250/14042792)

  esxi 安装紫屏 是内存问题吗 elasticsearch vim linux

• [

  电子表单配置 架构图

  本文将我自己踩过的坑整理出来，目的是为了帮助那些刚迈入职场的设计师，对表单能有一个更好的了解，从而避免在工作中进入误区。本文共计11000个字，阅读大约需要30分钟，请合理安排时间，看得快的当我没说。每个人生活中，都在和表单打交道，各种表格，表单需要填写，而表单在产品中主要负责数据采集功能。作用和现在一样——信息录入。表单也是最常用的信息录入的工具，随着互联网兴起，很多表单被放到了电子屏上填写，特

  ](https://blog.51cto.com/u_16099244/14043067)

  电子表单配置 架构图 交互设计 openid iot webgl

• [

  HuggingfaceEmbedding使用gpu

  HBM显存技术与市场前景HBM(High Bandwidth Memory)作为一种GPU显存存在时，现在似乎已经不算罕见了。很多人可能都知道HBM成本高昂，所以即便不罕见，也只能在高端产品上见到。部分游戏玩家应该知道，HBM是一种带宽远超DDR/GDDR的高速内存，而且内部结构还用上了3D堆叠的SRAM，听起来就十分高级，虽然成本高，但这行业有钱的主也不少，况且GPU不是就在用HBM。未来HBM

  ](https://blog.51cto.com/u_16099229/14043933)

  封装 3D 堆栈

• [

  极空间设置高权限的docker

  一个网站就像一个人，存在一个从小到大的过程。养一个网站和养一个人一样，不同时期需要不同的方法，不同的方法下有共同的原则。本文结合我自已14年网站人的经历记录一些架构演变中的体会。1：积累是必不可少的架构师不是一天练成的。1999年，我作了一个个人主页，在学校内的虚拟空间，参加了一次主页大赛，几个DREAMWEAVER的页面，几个TABLE作布局，一个DB连接，几行PHP的代码嵌入在HTML中，再用

  ](https://blog.51cto.com/u_16099270/14043969)

  极空间设置高权限的docker 前端 面试 测试 ViewUI

• [

  矩阵式管理 架构图

  有用链接常用概念（1）dimV：线性空间中，线性无关向量的最大个数（矩阵的秩）（2）N（A）：矩阵零空间：AX=0的X的解空间（3）span{c1,c2,c3…}：矩阵列空间（4）奇异矩阵：矩阵的行列式为0（5）det（A）=|A|：A的行列式的值（6）tr（A）：矩阵A的迹，对角线的值\(trA=a_{11}+a_{22}+…a_{nn}\) 矩阵tr的性质：(1) b1+b2+…

  ](https://blog.51cto.com/u_16099226/14044606)

  矩阵式管理 架构图 对称矩阵 特征值 特征向量

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

👉大模型学习指南+路线汇总👈
我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

9周成为大模型工程师

第1周：基础入门

• 了解大模型基本概念与发展历程

• 学习Python编程基础与PyTorch/TensorFlow框架

• 掌握Transformer架构核心原理

• 

第2周：数据处理与训练

• 学习数据清洗、标注与增强技术

• 掌握分布式训练与混合精度训练方法

• 实践小规模模型微调（如BERT/GPT-2）

第3周：模型架构深入

• 分析LLaMA、GPT等主流大模型结构

• 学习注意力机制优化技巧（如Flash Attention）

• 理解模型并行与流水线并行技术

第4周：预训练与微调

• 掌握全参数预训练与LoRA/QLoRA等高效微调方法

• 学习Prompt Engineering与指令微调

• 实践领域适配（如医疗/金融场景）

第5周：推理优化

• 学习模型量化（INT8/FP16）与剪枝技术

• 掌握vLLM/TensorRT等推理加速工具

• 部署模型到生产环境（FastAPI/Docker）

第6周：应用开发 - 构建RAG（检索增强生成）系统

• 开发Agent类应用（如AutoGPT）

• 实践多模态模型（如CLIP/Whisper）

第7周：安全与评估

• 学习大模型安全与对齐技术

• 掌握评估指标（BLEU/ROUGE/人工评测）

• 分析幻觉、偏见等常见问题

第8周：行业实战 - 参与Kaggle/天池大模型竞赛

• 复现最新论文（如Mixtral/Gemma）
• 企业级项目实战（客服/代码生成等）

第9周：前沿拓展

• 学习MoE、Long Context等前沿技术
• 探索AI Infra与MLOps体系
• 制定个人技术发展路线图
  
  👉福利篇👈
  最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】