AI基础、小知识点-CSDN博客

AI For Everyone 是吴恩达老师开设的AI入门课程，尽管课程开设于几年前，最近两年AI有了很大的发展，但是AI入门知识等没用很多变化，网址为：https://www.coursera.org/learn/ai-for-everyone，在DeepLearning.AI观看，但我反正是直接从B站看的录屏。

了解AI需要了解机器学习、数据、AI组织、机器学习能做什么和不能做什么、深度学习/神经网络。了解了AI就需要知道如何构架AI项目，如何在自己的组织中构建AI，还会了解到AI对社会的影响。

什么是AI

AI其实是两种不同的概念：ANI和AGI；ANI是弱人工智能，主要是用于某一方面；AGI是通用人工智能，相对发展较弱；课程主要介绍ANI。

在前几年推动AI发展的很大程度上是机器学习，而不是近期广泛使用的大预言模型。

机器学习是监督学习，监督学习是通过输入的知识，来判断并输出，即：构建从A到B的映射。

监督学习得到很大发展，一方面得益于近些年来网络上分享的数据越来越多，样本知识越来越多；另一方面得益于神经网络和深度学习的崛起。

数据（数据集）对于构建AI非常重要，如何获取数据？一种方法是手动标注图片构建样本数据集，另一种方式是观察用户行为和其他类型的行为，第三种方式是从网上等下载样本数据集。

数据很重要，但是有时候数据也被滥用或错误的使用方式。在团队中，需要尽早构建样本收集团队、计算机团队、AI团队之间的沟通联系，并且不要认为有大量的数据，AI就能让数据产生价值。

避免数据问题，错误的样本数据会产生错误的结果。数据可能会有问题、会有缺失值，数据是混乱无序的，图片、音频、文本等非结构化数据AI可能理解起来相对困难。

AI常用概念

机器学习：一个能够构建从A到B映射的数据集学习系统；

深度学习是通过多个输入A1、A2、A3等，通过一个人工的神经网络，得到输出结果B。吴老师对于深度学习的解读比上课时老师讲的简单明了太多了，非常推荐。上课时老师自己也不是搞AI出身，讲深度学习也是稀里糊涂。

在2025年，机器学习（ML）、深度学习（DL）、大型语言模型（LLMs）以及数据科学这些领域虽然各自有其独特的研究方向和技术特点，但它们之间也存在大量的交集。如果用韦恩图来表示这些领域的关系，可以设想如下划分：

机器学习 (Machine Learning, ML)：这是最外层的一个大圈，代表了整个AI领域中的一类算法和统计模型，这些算法和模型允许计算机系统通过经验自动改进和适应。
深度学习 (Deep Learning, DL)：这是位于ML内部的一个圆圈，因为它是ML的一个子集，专注于模仿人脑的神经网络结构来进行学习。深度学习特别擅长处理复杂的非线性问题，比如图像识别、语音识别等。
大型语言模型 (Large Language Models, LLMs)：这同样位于ML的大圈内，并且与DL圈有很大的重叠，因为大多数现代LLMs都是基于深度学习技术构建的。LLMs专门用于理解和生成自然语言或代码，通常具有数十亿乃至更多参数，使其能够捕捉到语言中的细微差别。
数据科学 (Data Science)：这是一个覆盖范围广泛的圆圈，它与ML、DL及LLMs都有交集。数据科学不仅仅关注于使用算法进行预测，还包括数据收集、清洗、分析和可视化等过程。因此，它的边界可能与ML圈有较大的重合部分，同时也会涉及到其他三个领域的应用。

在这个韦恩图中：

ML 圈包含了所有基于数据进行学习的方法。
DL 圈是ML的一部分，强调的是那些利用多层神经网络的复杂模型。
LLMs 圈也是ML/DL的一部分，但更具体地指向那些设计用来处理语言任务的大规模模型。
数据科学 圈则涵盖了从数据提取知识的所有方面，包括但不限于ML方法的应用。

实际中这些领域之间的界限并不总是那么清晰，而且随着技术的发展，这些领域也在不断地相互渗透和融合。例如，数据科学家可能会使用深度学习技术来构建模型，而开发LLM的研究人员也需要深厚的数据科学技能来处理和理解他们的训练数据。

团队转型AI

AI公司应该具有战略数据收集、建立数据库、能够发现自动化处理的机会、明确的AI新分工。团队如果转型为善于使用AI，需要借助以下几点：启动试点项目来给自己一个正确的鼓励和方向，这样可以了解人工智能什么能做什么还做不到；建立一个人工智能团队并提供广泛的人工智能培训；广泛的AI训练；制定一个人工智能策略；保证内外沟通一致。

AI很大程度还是大量样本的学习，需要依靠大量的输入来理解，而不能和人类一样，通过一个书本上的知识来完全学习某一个方面。