AI 基础
定义
AI 基础涵盖了人工智能背后的核心思想：我们所说的学习、表示和泛化。这包括监督学习和无监督学习、优化以及数据、模型和目标之间的关系。
这些思想支撑着经典的机器学习和深度学习。理解它们有助于选择正确的范式、解释结果和思考局限性（例如数据需求、偏差、鲁棒性）。
工作原理
在实践中，数据被收集或标注；选择一个模型（例如函数或网络）；并优化一个目标（损失或奖励），使模型拟合数据。结果是对新输入的预测（或动作）。这个流程依赖数学基础——概率论、线性代数、优化——以及在保留数据上的评估，以确保泛化而非记忆。
应用场景
ML 核心思想适用于任何有数据和明确定义的预测或优化目标的场景。
- 从标注数据构建分类器（例如垃圾邮件检测、情感分析）
- 为推荐系统或搜索学习表示
- 将决策制定框架化为预测或优化（例如预测、控制）
外部文档
- Google ML 速成课程 — ML 概念介绍
- MIT 6.S191 – 深度学习入门 — 课程和材料