人工智能

深度学习 $\in$ 机器学习 $\in$ 人工智能

人工智能（Artificial Intelligence，简称AI）是一门研究如何使计算机能够模拟和执行人类智能行为的学科。它涉及开发和构建能够感知、理解、学习、推理、决策和交互的智能系统。

以下是人工智能的一些重要概念和细分领域：

1. 机器学习（Machine Learning）：机器学习是人工智能的一个重要分支，它研究如何通过数据和经验来让计算机自动学习和改进性能，而无需明确编程。常见的机器学习算法包括决策树、支持向量机、神经网络等。

2. 深度学习（Deep Learning）：深度学习是机器学习的一个子领域，它模拟人脑神经网络的结构和功能，通过多层次的神经网络进行学习和推理。深度学习在图像识别、语音识别、自然语言处理等领域取得了重大突破。

3. 自然语言处理（Natural Language Processing，简称NLP）：自然语言处理是研究计算机如何理解和处理人类自然语言的领域。它包括文本分析、语义理解、机器翻译、情感分析等技术。

4. 计算机视觉（Computer Vision）：计算机视觉致力于让计算机能够理解和解释图像和视频。它涉及图像识别、目标检测、图像分割、人脸识别等技术。

5. 强化学习（Reinforcement Learning）：强化学习是一种通过试错和奖惩机制来训练智能系统的学习方法。智能系统通过与环境的交互，根据奖励信号来调整自己的行为，以最大化长期累积奖励。

6. 专家系统（Expert Systems）：专家系统是一种基于知识库和推理引擎的人工智能系统，它模拟人类专家的知识和决策过程，用于解决特定领域的问题。

7. 自主机器人（Autonomous Robots）：自主机器人是能够感知环境、做出决策并执行任务的智能机器人。它们可以在无人监督的情况下完成复杂的任务，如自动驾驶汽车、无人机等。

这些只是人工智能领域中的一些重要概念和细分领域

基于学习策略的分类:

• 监督学习 Supervised Learning

  1）线性回归（Linear Regression）：线性回归用于建立输入特征与连续数值目标之间的线性关系模型。它通过拟合一条直线或超平面来进行预测。

  2）逻辑回归（Logistic Regression）：逻辑回归适用于分类问题，其中目标变量是离散的。它使用逻辑函数（如sigmoid函数）来建立输入特征与目标类别之间的关系模型。

  3）决策树（Decision Trees）：决策树通过构建一系列决策规则来进行分类或回归。它根据特征的不同分割数据，并构建一个树状结构来进行预测。

  4）支持向量机（Support Vector Machines，SVM）：SVM是一种用于分类和回归的监督学习算法。它通过寻找一个最优的超平面或者非线性变换，将不同类别的数据样本分隔开。

  5）随机森林（Random Forest）：随机森林是一种集成学习算法，它结合了多个决策树进行分类或回归。每个决策树基于随机选择的特征子集进行训练，并通过投票或平均来获得最终预测结果。

  6）神经网络（Neural Networks）：在监督学习中，神经网络接收一组输入数据，并将其传递到网络中的多个神经元层中进行处理。每个神经元都有一组权重，用于加权输入数据。然后，输入数据通过激活函数进行非线性变换，并传递到下一层。这个过程被称为前向传播。在前向传播后，网络产生一个输出，与预期的目标输出进行比较。然后，通过使用损失函数来度量预测输出与目标输出之间的差异。损失函数的目标是最小化预测输出与目标输出之间的误差。接下来，网络使用反向传播算法来更新权重，以减小损失函数。反向传播通过计算损失函数相对于每个权重的梯度，然后沿着梯度的方向更新权重。这个过程不断迭代，直到网络的性能达到满意的程度。

• 无监督学习 Unsupervised Learning

  1）K均值聚类（K-means Clustering）：K均值聚类是一种常见的聚类算法，用于将数据点划分为预先定义的K个簇。算法通过迭代地将数据点分配到最近的质心，并更新质心位置来优化聚类结果。K均值聚类适用于发现数据中的紧密聚集模式。

  2）层次聚类（Hierarchical Clustering）：层次聚类是一种将数据点组织成树状结构的聚类方法。它可以基于数据点之间的相似性逐步合并或分割聚类簇。层次聚类有两种主要方法：凝聚层次聚类（自底向上）和分裂层次聚类（自顶向下）。层次聚类适用于发现不同层次的聚类结构。

  3）主成分分析（Principal Component Analysis，PCA）：主成分分析是一种降维技术，用于从高维数据中提取最重要的特征。它通过找到数据中的主要方差方向，并将数据投影到这些方向上的低维空间中来实现降维。PCA广泛应用于数据可视化、噪声过滤和特征提取等领域。

  4）关联规则学习（Association Rule Learning）：关联规则学习用于发现数据集中的项集之间的关联关系。它通过识别频繁项集并生成关联规则来实现。关联规则通常采用"If-Then"的形式，表示数据项之间的关联性。关联规则学习可应用于市场篮子分析、推荐系统等领域。

• 半监督学习

• 强化学习

基于形式

• 深度学习

  DNN 深度神经网络 $\in$ ANN 人工神经网络

  • CNN 卷积神经网络
  • RNN 循环神经网络

• 传统机器学习

基于应用领域的分类

• 自然语言处理 (Natural Language Processing, NLP): 处理和分析人类语言。

• 计算机视觉 (Computer Vision): 使计算机能够理解和处理图像和视频。

• 多模态学习 (Multimodal Learning)

• 推荐系统 (Recommender Systems): 根据用户的历史行为和偏好提供推荐。

• 生物信息学 (Bioinformatics): 在生物学数据上应用机器学习。