机器学习特论（第三周总结）
一、为什么学习机器学习
- 机器学习是现代人工智能的核心工具。
- 学习机器学习不仅能理解 AI 的工作原理，还能 在医疗、交通、教育、金融、农业等多领域应用。
- 案例：
- 个性化医疗：结合基因数据和生活习惯，推荐最佳治疗方案
- 环境保护：通过图像识别技术监测野生动物迁徙和防止偷猎
- 智能教育：根据学生学习情况，动态生成个性化学习路径
二、人工智能的基本概念
- 人工智能（AI）：能感知环境并采取最佳行动的智能代理
- 机器学习（ML）：基于数据的学习方法，是实现 AI 的核心途径
- 深度学习（DL）：利用多层神经网络学习复杂模式
AI → ML → DL 的层次关系：
人工智能是目标，机器学习是方法，深度学习是方法中的突破性技术。
三、人工神经网络的原理
- 结构组成：
- 输入层 → 隐藏层（多层） → 输出层
- 每个神经元都有 权重 (weight) 和 偏置 (bias)
- 激活函数决定神经元是否“激活”
- 工作流程：
- 输入数据加权求和 → 激活函数 → 输出结果
- 与真实值比较，计算误差 → 反向传播，更新权重和偏置
- 核心目标：
- 通过不断迭代优化，降低预测误差，提高模型的泛化能力。
四、支撑 AI 的关键技术要素
- IoT（物联网）：
- 通过传感器和设备实时收集数据（温度、图像、音频等）
- 为 AI 提供源源不断的数据输入
- 5G 网络：
- 超高速率（Gbps 级别）
- 毫秒级低延迟（对自动驾驶至关重要）
- 海量连接（智慧城市、智能工厂的基础）
- 云计算（Cloud）：
- 提供分布式计算和存储能力
- 优势：弹性扩展、全球部署、低成本、安全备份
- AIaaS（AI as a Service）：开发者可直接调用云端 AI 模型
- 大数据（Big Data）：
- 特点：体量大、种类多、生成快、真实性强、价值密度低
- 大数据为 AI 提供“燃料”，AI 则为大数据赋能
五、GPU 与 AI 的关系
- CPU：少数核心，适合逻辑复杂的串行任务
- GPU：上千个核心，适合并行计算
- AI 应用场景：
- 深度学习模型训练 → GPU 比 CPU 快数十倍
- 图像识别、自然语言处理等都离不开 GPU
六、5G + AI 的应用案例
- 自动驾驶：
- 5G 保障车辆与道路基础设施实时通信
- AI 负责环境感知、决策和控制
- 智慧工厂：
- 通过 5G + IoT 收集数据
- AI 实现预测性维护与自动化控制
- 智慧城市：
- 实时监控交通流量，进行 AI 调度
- 智能电网节能优化
七、云计算与 AI 的融合
- 云计算让 AI “飞入寻常百姓家”
- 案例：
- Google Cloud AI、AWS AI、Azure Cognitive Services
- 优势：
- 免去用户购买昂贵 GPU/服务器
- 开发者只需上传数据，调用 API 即可使用 AI 功能
八、物联网（IoT）与 AI
- IoT：负责 感知与收集（温湿度传感器、摄像头、RFID 等）
- AI：负责 分析与决策
- 应用实例：
- 智慧农业：AI 分析传感器数据，优化灌溉与施肥
- 智能家居：语音识别与智能控制
- 智慧物流：无人机配送 + AI 路径优化
九、大数据与 AI 的关系
- 大数据是 AI 的“燃料”
- AI 通过大数据训练模型，实现更高精度预测
- 应用案例：
- 个性化推荐（电商、短视频）
- 金融风控（反欺诈检测）
- 医疗预测（早期疾病诊断）
十、机器学习方法
- 监督学习
- 输入 + 标签 → 学习函数关系
- 应用：图像识别、垃圾邮件分类
- 无监督学习
- 仅有输入，无标签
- 应用：聚类（客户分群）、降维
- 强化学习
- 与环境交互 → 获取奖励或惩罚 → 学习最优策略
- 应用：围棋 AlphaGo、机器人控制
总结
- 本周课程从 AI、机器学习与深度学习的关系 出发，讲解了 神经网络基本原理，并系统分析了支撑 AI 的 GPU、5G、Cloud、IoT、大数据 等技术。
- 通过案例展示了 AI 在 医疗、教育、工业、交通、农业 等领域的广泛应用。
- 最后对 监督学习、无监督学习和强化学习 三类方法进行了介绍，为后续深入学习打下基础。