AI（人工智能）知识体系包含多个重要方面：
一、机器学习（Machine Learning）
-
定义
-
机器学习是多领域交叉学科，涉及概率论、统计学等多门学科，它研究计算机如何模拟人类学习行为，获取新知识和技能，优化自身性能。
-
类型
-
监督学习（Supervised Learning）
- 有标记好的训练数据集，例如图像分类任务中图像有类别标签。模型学习输入特征和输出标签的关系，算法有决策树、支持向量机、多层感知机（分类）、线性回归（数值预测）等。
-
无监督学习（Unsupervised Learning）
- 训练数据无标签，如聚类任务中模型根据数据相似性划分簇。常见算法有K - 均值聚类、主成分分析（PCA，用于数据降维和特征提取）。
-
强化学习（Reinforcement Learning）
- 智能体在环境中行动，通过环境反馈的奖励信号来学习最优行为策略，例如机器人行走训练，著名算法有Q - 学习和深度Q网络（DQN）。
二、深度学习（Deep Learning）
-
定义
-
深度学习是机器学习的分支，通过构建多层（深度神经网络）模型，从大量数据中自动学习复杂模式和特征表示。
-
神经网络架构
-
多层感知机（Multilayer Perceptron， MLP）
- 前馈神经网络，由输入、多个隐藏和输出层组成，神经元全连接，常用于简单分类和回归任务。
-
卷积神经网络（Convolutional Neural Network， CNN）
- 主要处理图像等网格结构数据，包含卷积层（提取局部特征）、池化层（降维）和全连接层，应用于图像分类、目标检测等。
-
循环神经网络（Recurrent Neural Network， RNN）
- 神经元连接成有向环，适合处理序列数据如文本、语音，但存在梯度消失和爆炸问题，改进的有长短期记忆网络（LSTM）和门控循环单元（GRU）。
三、自然语言处理（Natural Language Processing， NLP）
-
定义
-
自然语言处理是计算机科学与人工智能中的重要方向，研究人与计算机用自然语言有效通信的理论和方法。
-
任务和技术
-
词法分析（Lexical Analysis）
- 包括分词（如将句子划分成单词）、词性标注（给单词标注词性）。
-
句法分析（Syntactic Analysis）
- 分析句子语法结构，如构建语法树。
-
语义理解（Semantic Understanding）
- 旨在理解句子含义，知识图谱有助于理解文本实体关系，用于问答系统等。
-
机器翻译（Machine Translation）
- 利用深度学习模型如Transformer架构（BERT、GPT等基于此改进）实现语言翻译。
四、计算机视觉（Computer Vision）
-
定义
-
计算机视觉研究让机器“看”的科学，用摄影机和电脑代替人眼对目标识别、跟踪、测量等，并处理图像。
-
主要任务和技术
-
图像分类（Image Classification）
- 用深度学习中的CNN模型判断图像物体类别。
-
目标检测（Object Detection）
- 确定图像中物体及其位置，技术有基于区域的卷积神经网络（R - CNN）系列、YOLO系列等。
-
语义分割（Semantic Segmentation）
- 将图像像素分类到不同语义类别，基于全卷积网络（FCN）等架构在医学图像等有应用。