AI基础
吴恩达课堂笔记
在人工智能（AI）领域，ANI 和 AGI 是两种不同层次的智能系统，具体如下：
1. ANI（Artificial Narrow Intelligence）——人工狭义智能
定义：专注于执行特定任务的人工智能。
特点：
- 只能在特定领域内表现出智能行为。
- 没有通用的理解能力，也无法跨任务泛化。
示例：
- 语音识别（如 Siri）
- 图像识别（如自动标记照片）
- 游戏 AI（如《围棋 AlphaGo》）
- 推荐系统（如抖音推荐算法）
2. AGI（Artificial General Intelligence）——人工通用智能
定义：具有人类水平的智能，能够在多种任务中灵活适应、学习、推理和解决问题。
特点：
- 能像人类一样学习各种知识和技能。
- 能够跨领域迁移知识，比如学会下围棋的 AI 也可以理解物理、写小说。
- 具备自主决策、推理、规划和情感理解能力。
3. 机器学习
机器学习（Machine Learning，简称 ML） 是人工智能（AI）领域的一个核心分支，它的本质是让计算机通过数据学习规律，从而在没有明确编程指令的情况下完成某些任务。建立正确的，从A到B的映射。
机器学习的主要类型：
| 类型 | 名称 | 简要说明 | 举例 |
|---|---|---|---|
| 监督学习 | Supervised Learning | 给定输入，学会预测输出。（需要大量数据，不过当性能达到一定水平时，不会随着数据量提高而提高性能） | 图像识别、房价预测 |
| 无监督学习 | Unsupervised Learning | 只有数据，没有“正确答案”，发现数据结构 | 客户分类、聚类分析 |
| 强化学习 | Reinforcement Learning | 通过“奖惩反馈”学会策略 | 游戏AI、自动驾驶决策 |
4. 机器学习可能需要一些数据：
在机器学习中，数据是核心资源。模型的表现很大程度上取决于数据的质量、种类和获取方式。
一、数据获取方式
- 人工标注
通过人力对数据打标签，构建有监督学习所需的数据集。
示例：图片打标签（猫/狗）、文本情感分类（正面/负面）。
优点：标签准确，适用于训练高精度模型。
缺点：耗时、成本高。
- 行为观察
通过用户行为、传感器或系统日志自动采集数据。
示例：用户点击行为、电商购买记录、自动驾驶传感器数据。
适合做行为预测或推荐系统。
- 第三方数据
从外部机构或平台购买或获取数据集。
示例：开源数据集（如 ImageNet、COCO）、政府公开数据等。
注意版权与合规性问题。
二、数据的类型与特点
- 结构化数据
表格形式，字段固定，易处理。
示例：Excel、数据库中的表格。
常用于金融、电商等传统行业建模。
- 非结构化数据
格式不规则，难以直接处理。
示例：文本、图片、音频、视频。
需要先进行预处理（如分词、图像切割等）才能用于训练。
- 数据质量问题
⚠️ 真实世界中的数据往往并不完美，常见问题包括：
缺失值（如某些字段为空）
错误值（如异常数字、输入错误）
不一致（同一意思用不同写法）
偏差或不均衡（某些类别样本太多或太少）
冗余或重复数据
→ 数据清洗、增强和标准化是训练前的重要步骤。
三、关于数据集构建的建议
如果你想自行构建数据集并“投喂”给 AI 进行训练或微调：
建议采用实时性采集：持续收集用户行为或系统反馈，构建动态更新的数据集。
与 AI 团队协同：与研发或模型训练团队沟通，获得关于：
数据格式要求
标签规范
目标任务定义
模型反馈机制（用于调优数据）
持续迭代：数据集不是一次性构建完的，它应随着模型的表现不断更新与优化。
5. 数据科学（Data Science）：
定义
- 从海量数据中提取有价值的信息、模式和知识，从而支持决策或自动化任务。
6. 神经网络（深度学习)
神经网络（Neural Network） 是一种机器学习的方式，是深度学习的核心技术。
- 人工神经网络通过层与层之间的连接和权重来处理数据。
7. 一般AI转型的步骤
- 先通过试点小项目去积攒动能。
- 组建一支
AI团队。 - 提供宽广的
AI知识培训。 - 发展
AI策略。 - 记录公司的
AI方向。
8. AI能做的和不能做的（经验之谈，严谨判断是一个复杂的过程）
- 能在一秒内思考到的