ai:ai基础

差别

这里会显示出您选择的修订版和当前版本之间的差别。

到此差别页面的链接

--- ai:ai基础 [2026/05/27 22:31] – xing
+++ ai:ai基础 [2026/05/27 22:59] (当前版本) – xing
@@ 行 3: / 行 3: @@
 ## 生命周期
-AI生命周期是规划、训练、部署和维护 AI 系统的迭代过程。
+AI生命周期是规划、训练、部署和维护AI系统的迭代过程。
 . 问题定义：确认要使用AI解决的具体问题
@@ 行 13: / 行 13: @@
 . 模型监控：持续监控模型性能指标和用户反馈
+## 算法
-## 机器学习
+AI算法主要按学习机制与功能用途分类。常见分类包括：监督学习（用于标记数据预测）、无监督学习（用于发现数据模式）、强化学习（通过奖惩机制学习决策）、深度学习（模拟人脑神经网络），以及近年来主流的生成式AI。
+### 监督学习
+监督学习 (Supervised Learning)利用已标注的“输入-输出”数据进行训练，让模型学会映射规律，常用于预测和分类任务。
+  * 分类算法 (Classification)：预测离散类别。
+    * 代表算法：逻辑回归、支持向量机 (SVM)、决策树、随机森林。
+    * 常见应用：垃圾邮件识别、疾病诊断。
+  * 回归算法 (Regression)：预测连续的数值。
+    * 代表算法：线性回归、XGBoost、LightGBM。
+    * 常见应用：房价预测、股票价格趋势分析。
+### 无监督学习
+无监督学习 (Unsupervised Learning)处理未标注的数据，通过寻找数据内部的隐藏结构和特征来进行分析。
+  * 聚类算法 (Clustering)，将相似的数据样本分到同一组。
+    * 代表算法：K-Means、DBSCAN。
+    * 常见应用：客户群体细分、图像分割。
+  * 降维 (Dimensionality Reduction)，在保留核心信息的前提下简化数据集。
+    * 代表算法：主成分分析 (PCA)。
+    * 常见应用：数据压缩、特征提取。
+### 强化学习
+强化学习 (Reinforcement Learning)算法通过与环境进行交互，不断试错，根据“奖励”或“惩罚”机制调整策略，以达到最大化长期收益的目标。
+  * 代表算法：Q-Learning、深度强化学习 (DQN)、PPO。
+  * 常见应用：AlphaGo下棋、机器人控制、自动驾驶。
+### 深度学习
+深度学习 (Deep Learning)基于人工神经网络架构，使用多层隐藏层处理海量数据，具备极强的特征提取能力。
+  * 代表算法：卷积神经网络 (CNN)、循环神经网络 (RNN/LSTM)。
+  * 常见应用：人脸识别、语音识别、机器翻译。
+### 生成式AI
+生成式AI (Generative AI)能够通过学习已有数据的分布特征，创造出全新的、原创的内容（如文本、图像、音频等）。
+  * 代表算法：Transformer架构、生成对抗网络 (GAN)、扩散模型 (Diffusion)。
+  * 常见应用：大语言模型（如ChatGPT）、AI绘画（如Midjourney）。
 ## 硬件

/app/www/public/data/attic/ai/ai基础.1779899465.txt.gz · 最后更改: 2026/05/27 22:31 由 xing