一、AI 基础与发展背景
工业文明演变：历经机械化（18 世纪末，蒸汽机）→ 电气化（19 世纪末，电力应用）→ 信息化（20 世纪 50 年代，电子 / 自动化技术）→ 人工智能时代（21 世纪，智能系统）。
AI 核心定义：
人工智能：机器通过人工方法实现的类人智能。
人工智能学科：研究模拟、延伸和扩展人智能的理论、技术及应用系统的科学。
二、机器学习核心原理
1. 典型训练过程
从随机初始化参数的 “无智能” 模型开始，通过获取带标签数据、调整参数优化表现，重复迭代直至性能达标。
2. 四大关键组件
数据：含特征的样本集合，需足量且优质，是模型训练的基础。
模型：调参后的程序，深度学习模型由神经网络交织构成，含多层数据转换。
目标函数：量化模型优劣的 “损失函数”，回归用平方误差，分类用错误率，通过最小化损失求最优参数。
优化算法：主流为梯度下降，沿损失减少方向调整参数以优化模型。
3. 核心分类
监督学习：基于 “特征 - 标签” 样本，含回归（预测数值）、分类（预测类别）等。
无监督学习：处理无标签数据，如聚类、GAN 等。
强化学习：智能体与环境循环交互（观察→动作→奖励）优化策略。
三、深度学习发展与应用
发展驱动因素：海量数据（高速互联网支撑）与充足算力（GPU 等普及）。
核心成功领域：图像分类 / 检测 / 合成、语音识别、机器翻译、围棋博弈（AlphaGo 系列）等。
关键节点：2012 年深度学习突破图像分类误差率；2016 年 AlphaGo 战胜围棋手。
四、关键概念与工具
图灵测试：艾伦・图灵提出，若机器使测试者误判率超 30%，则认为具备人类智能。
主流框架：PyTorch（API 简洁，学术与工业界广泛应用），另有 TensorFlow 等。