人工智能、机器学习、深度学习及神经网络基础

第一部分课程导入2分钟我们用45分钟从零入门彻底搞懂人工智能、机器学习、深度学习到底是什么、有什么区别同时了解现在AI都用在哪些地方、开发AI常用什么工具最后弄懂所有AI技术最底层的核心原理——神经元和感知机。很多新手学AI第一步就被三个名词搞懵总觉得它们是三个完全不同的技术。其实大家记住一句话就行三者不是并列关系是层层包含、越来越精细的关系。现在大家看到的AI画图、智能对话、自动驾驶这些厉害的技术追根溯源底层都是我们今天要学的最简单的神经元模型。第二部分人工智能、机器学习、深度学习的层级关系8分钟1. 核心层级金字塔包含关系一句话层级人工智能 机器学习 深度学习我带大家用最简单的方式理解这个金字塔结构。范围最大的是人工智能中间是机器学习范围最小、最精准的是深度学习。首先是人工智能AI这是我们的最终目标。简单说就是让机器变聪明像人一样会看、会听、会想、会做决定。只要是让机器拥有人类智能的技术都叫人工智能。早期的人工智能很笨都是工程师手动写死所有规则机器只会按固定步骤干活稍微变一点场景就出错完全没有自主学习的能力。早年客服机器人你发 “开票”→ 自动回复开票流程你发 “退款”→ 自动回复退款入口因此老式规则编程、机器学习、深度学习都算 AI其次是机器学习ML它是实现人工智能的一种核心办法。以前是人工写死规则机器学习的核心就是让机器自己看数据、自己学规律。不用我们一条条告诉机器怎么判断只要给它足够多的例子它就能自己总结经验完成分类、预测等工作。但这种方式还需要人工帮忙提炼数据特征比较依赖人的经验。最后是深度学习DL它是机器学习里面最先进、现在最常用的一个分支。它模仿人脑的神经结构搭建多层网络完全不用人工提炼特征机器自己就能从海量数据里挖掘深层规律。数据越多、网络层数越多机器学得越准、越聪明这也是近几年AI技术突然爆发的根本原因。2. 通俗类比一秒看懂区别AI人工智能终极目标——让机器拥有和人一样的智能ML机器学习学习方式——不给死规则让机器看大量例子自学DL深度学习进阶自学——模仿人脑思考方式自动深挖数据隐藏的规律3. 三代AI技术简单对比传统AI人工定死规则不会学习只能做固定简单的工作很死板传统机器学习机器能自学但需要人工帮忙提炼数据特点适合简单场景、数据量不大的情况深度学习全程自动学习不用人工干预靠大数据就能搞定各种复杂场景我们用「让机器识别猫咪图片」同一个任务直观区分三者关系一眼看懂层级区别① 传统人工智能纯人工规则工程师手动写死所有规则告诉机器「有尖耳朵、长胡须、圆眼睛的就是猫」。只要图片里的猫侧脸、遮脸、角度不一样规则就不匹配机器就识别不出来死板且不灵活。② 传统机器学习人工提特征机器自学不用写死判断规则但需要人工帮机器提炼特征我们手动标注出「耳朵、胡须、花纹」这些猫咪特征再让机器根据这些特征自学区分猫和狗依赖人工经验复杂场景识别不准。③ 深度学习全自动深层学习直接给机器成千上万张猫咪图片完全不用人工找特征。机器自己分层学习第一层识别线条轮廓第二层识别耳朵、眼睛等局部形状最后整合所有特征精准识别猫咪。哪怕猫咪姿势、角度、场景多变也能轻松识别这就是深度学习的优势。第三部分深度学习主流应用领域10分钟为什么深度学习现在这么火因为它解决了传统AI做不了的复杂问题已经全面落地各行各业。我给大家梳理七个最主流、最贴近生活的应用场景大家听完就知道AI到底能干什么。1. 计算机视觉CV最成熟、最普及简单说就是让机器看懂图片和视频。我们日常用的手机人脸解锁、人脸支付、相册自动分类还有小区安防监控、工地违规行为识别、快递单文字识别、老照片修复、医院CT影像检查、工厂产品瑕疵质检全都是靠计算机视觉技术实现的。2. 自然语言处理NLP与语音识别简单说就是让机器听懂人话、读懂文字、还能自己说话写内容。大家用的AI聊天机器人、机器翻译、自动写文案、视频字幕生成、语音转文字、AI配音全部属于这个领域也是现在大模型的核心应用方向。3. 自动驾驶与智能交通汽车通过深度学习自动识别车道、红绿灯、行人、车辆和障碍物自己规划行驶路线实现辅助驾驶和自动驾驶大幅提升行车安全也是智能交通的核心技术。4. 医疗健康领域AI可以帮医生快速检查片子、筛查病灶、识别疑似病变降低误诊漏诊的概率。同时还能辅助研发新药、分析基因数据、预测慢性病风险既节省时间又提升医疗效率。5. 金融领域主要用来防范风险比如识别银行卡被盗刷、异常转账评估用户贷款风险分析用户消费习惯还能辅助金融数据预测是金融行业风控的核心工具。6. 工业智能制造工厂用AI代替人工肉眼检查产品瑕疵、检测机器设备故障、自动分拣货物不仅速度比人工快准确率也更高实现工厂智能化生产。7. 短视频与电商推荐刷短视频、逛电商时平台精准给你推送你喜欢的内容和商品背后就是深度学习在分析你的浏览、点赞、购买行为千人千面精准推荐。第四部分深度学习主流开发框架概览8分钟【讲课稿】我们想要开发、训练、使用AI模型不用从零手写复杂代码行业里有现成的专业工具也就是AI框架。不同框架用途不一样简单分为科研和工业落地两大类大家记住各自用途就行。1. PyTorch学术界、学生首选优点语法简单、好上手、方便调试、更新快非常适合做实验、改算法。适用场景大学生科研实验、发表论文、研发新的AI算法、微调大模型。现在绝大部分最新的AI研究成果都是用它做出来的。2. TensorFlow/Keras企业项目落地首选优点稳定性极强、功能全面、适配各种设备电脑、手机、嵌入式设备都能部署使用。Keras是它的简化版本语法更简单新手很好入门。适用场景企业开发商用AI项目、把模型做成产品上线、长期稳定运行的工业项目。3. 国内主流框架百度飞桨PaddlePaddle国内最成熟的开源AI工具中文资料齐全、上手门槛低有大量现成的行业模型和落地案例非常适合国内学生和企业开发项目广泛用于工业、安防、政务等场景。4. 其他常用辅助工具华为MindSpore适配华为设备主打全场景智能部署ONNXOpen Neural Network Exchange 是一种通用模型格式能让不同工具做出来的模型互相通用。TensorRT/vLLM专门用来加速AI模型运行让大模型、视觉模型响应更快。第五部分核心原理——神经元与感知机15分钟本节课重点不管是多厉害的AI大模型、自动驾驶系统、AI绘画工具拆到最底层最小的基本单元都是人工神经元。而感知机就是最简单的神经网络是所有深度学习技术的起点。这部分听懂你就掌握了AI的底层根基。1. 人脑神经元的工作逻辑我们人脑的神经元工作方式很简单接收外界传来的多个信号把所有信号汇总起来。如果信号强度足够就会触发激活向下传递信号如果信号太弱就不触发、不输出信号。我们电脑里的人工神经元就是完全模仿人脑这种接收信号、汇总判断、达标输出的工作逻辑。2. 感知机最简单的神经网络单层感知机是深度学习的鼻祖模型结构特别简单只有输入和输出没有中间隐藏层本质就是一个单独的人工神经元。它的核心作用做二分类判断简单说就是把数据分成两类比如判断图片是不是人脸、评论是好评还是差评。工作逻辑把所有输入数据按权重计算、加上门槛值达标输出一类结果不达标输出另一类结果。3. 激活函数的核心作用重点必懂给大家讲一个最核心的知识点如果没有激活函数不管我们叠加多少层网络模型都只能处理最简单的直线问题稍微复杂一点的情况都学不会。激活函数的唯一作用、也是最大作用打破线性限制让模型学会拟合各种复杂的规律能处理生活中各种不规则、复杂的实际问题。Sigmoid函数特点输出值域(0,1)平滑单调递增可把输出看作概率适合二分类输出层中心点在 0输入越大越趋近 1越小越趋近 0。Tanh函数特点输出值域(-1,1)零均值曲线形状和 Sigmoid 相似只是做了平移缩放正负输出对称。ReLU函数Sigmoid适合做二分类判断、Tanh让数据更规整、ReLU是现在最常用的运算速度快、效果更好。6. 神经网络完整进化过程单层感知机最简单→ 多层感知机增加隐藏层→ 深度神经网络 → 细分出视觉专用网络、时序数据网络、大模型核心Transformer网络第六部分课堂总结最后我们快速复盘本节课的所有核心知识点帮大家梳理清楚整体逻辑1. 三者关系人工智能是总目标机器学习是实现AI的方法深度学习是机器学习的进阶版本层层包含、逐级升级2. 技术优势深度学习不用人工提炼特征靠大数据和多层网络就能自主学习复杂规律适配各种现实场景3. 应用场景覆盖视觉识别、语言交互、自动驾驶、医疗、金融、工业、智能推荐七大主流领域落地范围极广4. 深度学习主流开放框架PyTorchTensorFlow和百度飞桨5. 底层原理人工神经元是AI的最小单元激活函数赋予模型处理复杂问题的能力单层感知机有局限性多层神经网络成就了现在的深度学习和大模型技术。今天这节课的内容是所有AI进阶学习的基础后续更复杂的网络模型、算法原理都是在今天的内容上延伸出来的。