AI 快速入门

1. 核心概念

AI（人工智能） 是让计算机模拟人类智能的技术总称，涵盖学习、推理、感知、决策等能力。

AI / ML / DL 的关系

AI（人工智能）└── ML（机器学习）        — 从数据中学习规律    └── DL（深度学习）     — 基于多层神经网络        ├── CNN           — 图像领域        ├── RNN/LSTM      — 序列数据        └── Transformer   — 大语言模型的基础

2. 机器学习分类

2.1 监督学习（Supervised Learning）

数据带标签，学习输入到输出的映射。

• 分类：预测离散类别（垃圾邮件识别、图像分类）
• 回归：预测连续数值（房价预测、气温预测）

训练数据: [(x₁, y₁), (x₂, y₂), ..., (xₙ, yₙ)]目标: 学习 f(x) ≈ y

2.2 无监督学习（Unsupervised Learning）

数据无标签，发现数据内部结构。

• 聚类：K-Means、DBSCAN（用户分群）
• 降维：PCA、t-SNE（数据可视化）
• 关联规则：Apriori（购物篮分析）

2.3 强化学习（Reinforcement Learning）

智能体通过与环境交互学习最优策略。

• 核心概念：状态 State、动作 Action、奖励 Reward
• 算法：Q-Learning、DQN、PPO
• 应用：AlphaGo、自动驾驶、游戏 AI

3. 深度学习基础

3.1 神经元（Neuron）

最基本单元，接收输入加权求和，经激活函数输出。

y = activation(Σ(wᵢ·xᵢ) + b)

常见激活函数：

• ReLU：max(0, x) — 隐藏层默认选择
• Sigmoid：1 / (1 + e⁻ˣ) — 二分类输出
• Softmax：多分类输出
• Tanh：(-1, 1) 范围

3.2 神经网络结构

输入层 → 隐藏层1 → 隐藏层2 → ... → 输出层

训练流程：

1. 前向传播：输入数据计算输出
2. 计算损失：预测值与真实值的差距（MSE、CrossEntropy）
3. 反向传播：计算梯度
4. 参数更新：梯度下降优化权重

3.3 常见网络架构

4. 常见 AI 任务

4.1 计算机视觉（CV）

• 图像分类：ResNet、EfficientNet
• 目标检测：YOLO、Faster R-CNN
• 图像分割：U-Net、Mask R-CNN
• 图像生成：GAN、Diffusion Model

4.2 自然语言处理（NLP）

• 文本分类：情感分析、垃圾检测
• 命名实体识别（NER）：提取人名、地名
• 机器翻译：Seq2Seq、Transformer
• 文本生成：GPT、LLaMA

4.3 语音处理

• 语音识别（ASR）：Whisper、DeepSpeech
• 语音合成（TTS）：Tacotron、VITS

4.4 多模态

• 图文互生：CLIP、DALL-E、Midjourney
• 视频理解：VideoBERT

5. 大语言模型（LLM）

5.1 核心概念

• Token：文本的最小单元（词、子词、字符）
• 上下文窗口：模型一次能处理的最大 Token 数
• 参数量：模型规模（7B = 70亿参数）
• 涌现能力：模型规模到一定程度后出现的能力（推理、指令遵循）

5.2 主流大模型

5.3 Prompt Engineering（提示词工程）

核心原则：清晰、具体、结构化

常用技巧：

1. 角色设定

   文本复制隐藏不折行

   你是一位资深 Python 工程师，请帮我审查代码。

2. Few-shot 示例

   文本复制隐藏不折行

   示例：输入：苹果 → 输出：水果输入：狗 → 输出：动物输入：玫瑰 → 输出：？

3. 思维链（Chain of Thought）

   文本复制隐藏不折行

   请一步步思考并解释你的推理过程。

4. 结构化输出

   文本复制隐藏不折行

   请以 JSON 格式输出，包含字段：name, age, city。

5.4 RAG（检索增强生成）

结合外部知识库提升回答准确性。

用户提问 → 向量化 → 检索知识库 → 拼接 Prompt → LLM 生成答案

关键组件：

• Embedding 模型：text-embedding-ada-002、bge-large-zh
• 向量数据库：Pinecone、Milvus、Chroma、FAISS
• 框架：LangChain、LlamaIndex

6. 常用框架

6.1 传统机器学习

# scikit-learn 示例from sklearn.linear_model import LinearRegressionfrom sklearn.model_selection import train_test_splitfrom sklearn.datasets import make_regression# 生成数据X, y = make_regression(n_samples=100, n_features=1, noise=10, random_state=42)X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)# 训练model = LinearRegression()model.fit(X_train, y_train)# 预测predictions = model.predict(X_test)print(f"模型得分: {model.score(X_test, y_test):.3f}")

6.2 深度学习

# PyTorch 示例import torchimport torch.nn as nn# 定义网络class SimpleNet(nn.Module):    def __init__(self):        super().__init__()        self.fc1 = nn.Linear(784, 128)        self.fc2 = nn.Linear(128, 10)        self.relu = nn.ReLU()    def forward(self, x):        x = self.relu(self.fc1(x))        return self.fc2(x)model = SimpleNet()criterion = nn.CrossEntropyLoss()optimizer = torch.optim.Adam(model.parameters(), lr=0.001)# 训练循环for epoch in range(10):    optimizer.zero_grad()    outputs = model(X_train)    loss = criterion(outputs, y_train)    loss.backward()    optimizer.step()

6.3 调用大模型 API

# OpenAI API 示例from openai import OpenAIclient = OpenAI(api_key="your-api-key")response = client.chat.completions.create(    model="gpt-4o",    messages=[        {"role": "system", "content": "你是一位 Python 专家"},        {"role": "user", "content": "写一个快速排序"}    ],    temperature=0.7,    max_tokens=500)print(response.choices[0].message.content)

# LangChain RAG 示例from langchain.document_loaders import TextLoaderfrom langchain.text_splitter import RecursiveCharacterTextSplitterfrom langchain.embeddings.openai import OpenAIEmbeddingsfrom langchain.vectorstores import Chromafrom langchain.chat_models import ChatOpenAIfrom langchain.chains import RetrievalQA# 加载文档loader = TextLoader("knowledge.txt")docs = loader.load()# 切分splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)chunks = splitter.split_documents(docs)# 向量化并存储embeddings = OpenAIEmbeddings()vectorstore = Chroma.from_documents(chunks, embeddings)# 构建 QA 链llm = ChatOpenAI(model="gpt-4o", temperature=0)qa = RetrievalQA.from_chain_type(llm=llm, retriever=vectorstore.as_retriever())# 提问answer = qa.run("文档中提到的核心观点是什么？")print(answer)

7. 学习路径建议

初级阶段

1. 数学基础：线性代数、概率论、微积分
2. Python 编程：NumPy、Pandas、Matplotlib
3. 机器学习：scikit-learn 实践经典算法
4. 理论：《机器学习》周志华、《统计学习方法》李航

中级阶段

1. 深度学习框架：PyTorch（推荐）/ TensorFlow
2. 经典论文：ResNet、Transformer、BERT、GPT
3. 实战项目：Kaggle 比赛、复现论文
4. 理论：《深度学习》花书

高级阶段

1. 大模型方向：Transformer 原理、LLM 微调（LoRA、QLoRA）
2. 工程化：模型部署（vLLM、TGI）、分布式训练
3. 前沿方向：多模态、Agent、RLHF

8. 实用资源

课程

• 吴恩达机器学习
• 吴恩达深度学习
• 李宏毅机器学习
• fast.ai

文档

• PyTorch 官方文档
• Hugging Face 文档
• LangChain 文档

社区

• Papers with Code — 论文 + 代码
• Hugging Face — 模型与数据集
• Kaggle — 数据科学竞赛

论文平台

• arXiv — 预印本论文
• Google Scholar — 学术搜索
• Connected Papers — 论文关系图

9. 关键术语速查