01-人工智能概述

目录人工智能概述1. 人工智能2. 人工智能的提出3. 人工智能的四要素4. 机器学习5. 深度学习6. 三大主义学派7. 人工智能发展简史8. 人工智能的分类9. 智能机器的分类①人工智能②人工智能的提出③人工智能的四要素④机器学习⑤深度学习⑥三大主义学派⑦人工智能发展简史⑧人工智能的分类⑨智能机器的分类。

人工智能（Artificial Intelligence，简称AI）是一门新兴的技术科学，旨在研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统。AI不仅让机器具备了类似于人类的思考、学习和决策能力，还能够自主地执行各种复杂任务，从而极大地推动了科技进步和社会发展。本文将详细概述AI的定义、发展历史、核心技术、应用领域以及未来发展趋势。定义AI是指让机器像人类一样能够“思考”和“学习”的能力，使机器能够处理语言、音频、图像、视频等各种信息，并从中智能地学习和推断。

在人工智能领域，有许多实用性较强的AI应用。

本章在研究人类社会科技革命演进的基础上，介绍人工智能的形成、定义、特征等；同时梳理人工智能发展简史，列举不同时期的重要里程碑事件，分析其技术和产业发展趋势，说明人工智能对社会发展的影响，并帮助学生了解就业方向。人工智能：用人工的方法在机器（计算机）上实现的智能；或者说是人们使机器具有类似于人的智能。或，智能主体可以理解数据及从中学习，并利用知识实现特定目标和任务的能力。人工智能学科：一门研究如何构造智能机器（智能计算机）或智能系统，使它能模拟、延伸、扩展人类智能的学科。

深度学习模型可解释性差的主要原因在于其复杂的网络结构、巨大的参数数量、非线性变换以及数据驱动的学习方式。这使得即使模型在预测时表现优异，也难以追踪和理解其具体的决策过程。但是深度学习在实验上的效果是非常好的。国内大概2016年开始关注深度学习。中国的深度学习和人工智能技术从引进、模仿到自主创新，已经走过了漫长的历程。在神经网络和大规模预训练模型阶段，中国科技企业和研究机构逐渐占据了重要地位，推动了深度学习技术在各个领域的应用与发展。

目录昇腾大模型解决方案概述一、昇腾AI基础软件二、集群监控与运维软件。

SpringAIAlibaba是基于SpringAI框架的扩展，深度集成阿里百炼平台，提供ChatBot、工作流和多智能体开发能力的企业级AI框架。它需要Java17+、SpringAI1.0.0和SpringAIAlibaba1.0.0.2版本支持，通过starter依赖和API密钥即可快速集成。该框架扩展了语义切分、提示词管理、数据存储等功能，并集成了百炼知识库、智能体等阿里云服务，定位为AI智能体开发的高级框架，类比Spring对JDK的扩展作用。后续将重点学习其核心组件和工具集成能力。

目录人工智能模型部署介绍一、模型部署概述二、大模型部署概述三、大模型部署常见优化方式1. 模型压缩2. 计算加速(1) AI应用部署全流程第一步：确定目标和任务目标：自然语言处理、图像生成、图像判断、视频生成自然语言处理分支①判别式大模型()：序列标注、文本分类、意图识别②生成式大模型()：文本生成、文案撰写③翻译类大模型()：语言翻译④Decoder-only和Encoder-Decoder模型区别是什么？

什么是降维 降维——降低维度 ndarray中的维数 维数：ndarray嵌套的层数 0维 标量 1维 向量 2维 矩阵 降维的对象是什么？ 二维数组 降维指的是什么？ 降低特征的个数 降维的定义 降维之后达到的效果： 特征与特征之间不相关 降维的方法 特征选择 主成分分析 ...

scikit-learn数据集API介绍 sklearn小数据集 sklearn.datasets.load_iris() sklearn.datasets.load_boston() sklearn大数据集

停用词 什么是停用词 停用词是指在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据（或文本）之前或之后会自动过滤掉某些字或词，这些字或词即被称为Stop Words（停用词）。这些停用词都是人工输入、非自动化生成的，生成后的停用词会形成一个停用词表。但是，并没有一个明确的停用词表能够适用于所有的工具。甚至有一些工具是明确地避免使用停用词来支持短语搜索的。 https://baike.baidu.com/item/%E5%81%9C%E7%94%A8%E8%AF%8D 在代码中我们应该如何使用

什么是特征选择？ 定义 举例说明特征选择的定义 特征选择的方法 相关系数——特征与特征之间的相关程度 在sklearn中如何实现特征选择 过滤式 低方差特征过滤 什么是低方差特征过滤 如何在sklearn中实现低方差特征过滤 代码演示 原始数据： 代码： # -*- coding: utf-8 -*- """ @Time : 2021/3/8 19:48 @Author : yuhui @Email : [email protected] @FileName: 15_删除低方差

案例：探究用户对物品类别的喜好细分降维 案例介绍 数据介绍 思路 探究

思考：归一化过程有什么缺点？ 如果我们的数据中异常值比较多，这会对我们的归一化过程有什么影响？ 异常值：一般为最大值或者是最小值 这也就反映了归一化这种方法的鲁棒性（稳定性）较差，因为数据中的最大值和最小值很容易就会受到异常点的影响。 因而，归一化这种数据预处理方法只适合传统精确小数据场景。 那么，我们还有别的什么好的方法能够帮助我们进行特征预处理吗？ 标准化 什么是标准化呢？ 计算公式 X′=x−meanσ X^{\prime}=\frac{x-mean}{\sigma} X′=σx−mean​

关键词 关键词：在某一个类别的文章中，出现的次数很多，但是在其他类别的文章当中出现很少 能够反映这篇文章核心的词汇 我们只要看到关键词部分，就能大致明白这篇文章是讲一些什么的了 那么，我们应该如何使用计算机找出文章中的关键词呢？要知道，关键词不一定是出现次数最多的词汇，但一定是直接反映了这篇文章的本质。 Tf-idf文本特征提取 公式 tfidfi,j=tfi,j×idfi tfidf_{i,j}=tf_{i,j} \times idf_i tfidfi,j​=tfi,j​×idfi​ 举例说明：

导入 什么是特征预处理？ 特征预处理 什么是特征预处理？ # scikit-learn的解释 provides several common utility functions and transformer classes to change raw feature vectors into a representation that is more suitable for the downstream estimators. 包含内容 如何在sklearn中实现特征预处理 sklearn.pr

机器学习的定义 机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测。 关键词： 数据 模型 预测 关于机器学习的解释 机器 从历史数据中自动分析获得模型，并利用模型对未知数据进行预测 人 根据历史性的经验对未来的事情进行预测 比如，我们常常会说：“太阳明天会照常升起。” 其实我们并不知道明天太阳会不会升起，我们是根据自己过去的经验说出的这句话 我们人从大量的日常经验中归纳规律，当面临新的问题的时候，就可以利用以往总结的规律去分析现实状况，采取最佳策略。 从数据（大量的猫和狗的图