AI 基础概念 ​

什么是人工智能 ​

人工智能是计算机科学的一个分支，旨在创建能够执行通常需要人类智能的任务的系统。这些任务包括学习、推理、感知和决策。AI 系统通过算法处理数据，模拟人类认知过程，实现自动化智能行为。

特点：通用性强，适用于多种领域；依赖数据和算法；可自我改进。

示意图：

输入数据 --> [感知层] --> [推理引擎] --> [决策模块] --> 输出行动
        例如：传感器       例如：规则库       例如：执行器

机器学习 ​

机器学习是 AI 的一个子领域，使计算机能够从数据中学习模式，而无需显式编程。它通过训练模型来预测或分类新数据。主要类型包括监督学习、无监督学习和强化学习。

特点：数据驱动；自动优化；泛化能力强；适用于大数据场景。

示意图：

训练数据 --> [模型训练] --> 模型评估 --> 预测新数据
          例如：算法迭代       例如：准确率检查

深度学习 ​

深度学习基于人工神经网络，尤其是多层神经网络 (深度网络)，能够处理复杂数据如图像和语音。它通过反向传播算法自动学习特征表示，减少手动特征工程。

特点：层次化特征学习；高准确率；计算密集；需大量数据。

示意图：

输入层 --> [隐藏层1] --> [隐藏层2] --> ... --> 输出层
   |          |            |                     |
数据输入   特征提取     抽象表示             结果输出
例如：像素   例如：边缘检测   例如：物体识别       例如：分类标签

神经网络 ​

神经网络是受生物神经元启发的计算模型，由 interconnected 节点 (神经元) 组成。每个连接有权重，通过激活函数处理输入。常见类型包括前馈神经网络和循环神经网络。

特点：并行处理；容错性强；可处理非线性问题；训练耗时。

示意图：

神经元A --(权重)--> 神经元B --(激活函数)--> 输出
   ｜                   ｜
输入信号                传递信号

自然语言处理 ​

自然语言处理使计算机能够理解、解释和生成人类语言。它涉及词法分析、句法分析、语义理解和生成，应用于机器翻译、情感分析和聊天机器人。

特点：语境敏感；多语言支持；实时处理；依赖语料库。

示意图：

文本输入 --> [分词] --> [句法分析] --> [语义理解] --> 响应生成
        例如：单词分割   例如：语法树       例如：意图识别

计算机视觉 ​

计算机视觉让机器能够“看”和理解图像或视频。它包括图像分类、目标检测和图像分割，使用卷积神经网络等模型提取视觉特征。

特点：高精度识别；实时处理；适应多种环境；需标注数据。

示意图：

图像输入 --> [预处理] --> [特征提取] --> [分类/检测] --> 输出结果
        例如：归一化       例如：边缘检测   例如：边界框

强化学习 ​

强化学习是一种学习方法，代理通过与环境交互来学习最优策略。它基于奖励机制，代理通过试错最大化累积奖励。应用于游戏、机器人控制。

特点：在线学习；延迟奖励；探索与利用权衡；适应动态环境。

示意图：

代理 --> [行动] --> 环境 --> [奖励] --> 状态更新 --> 学习策略
   ｜        ｜        ｜        ｜
  观察状态    反馈循环    新状态    策略优化