在当今科技飞速发展的时代，人工智能（Artificial Intelligence）作为模拟人类智能的前沿科技，是最具影响力的技术之一，其核心在于通过算法与数据驱动实现感知、学习与决策能力。人工智能广泛应用于各个领域，是第四次工业革命的核心技术驱动力。本文将深入浅出地介绍 AI 的基础知识，包括流派、算法思想、机器学习的任务类型与工作流程、以及其中涉及的数据和数学知识，并以鸢尾花分类为案例，拆解机器学习过程，帮助大家了解理论与实践相结合的知识体系。
人工智能（Artificial Intelligence）并不是简单的“投入多少人工，就能产生多少智能”，它是通过算法与数据来实现智能化的决策。人工智能的算法代价很高，它不能解决所有问题，所有的智能都需要通过野蛮的数据计算来置换，从工程应用的角度来说，优先选择简单有效的方式，人工智能是最后的选择。人工智能主要有三大流派：
行为主义人工智能
拥有一套自动控制系统，能感知外界的变化，并自动做出相应的反馈，比如工业机器人，包括：机械臂、机器人、机器狗、无人机等，还有比较热门的具身智能。
符号主义人工智能
最典型的应用是专家系统，缺点是泛化能力不足，比较依赖知识图谱、大模型+知识库，需人工构建知识库，难以处理模糊的规则及超出知识库之外的情况。
联结主义人工智能
联结主义主张模拟人脑设计，通过模仿人类的大脑，用全连接方式代替机器学习，深度学习就是联结主义人工智能的典型应用，包括用卷积网络用来生成图像视频、循环神经网络和多头（自）注意力机制对应时序数据、基于transformer架构的GPT模型等。特点是泛化能力强，善于处于非线性问题。
融合统一是发展趋势
大模型对 NLP 的整合、多模态对 CV 和 NLP 的整合，以及具身智能（动作+多模态大模型）的发展，都在一定程度上推动着人工智能的加速融合，理论上联结主义用数据驱动学习、符号主义用知识约束推理、行为主义用环境感知迭代，而现实任务往往需要三者结合，人们需要的是具有自主感知、认知、决策、学习、执行以及社会协作能力的通用人工智能体，这种“混合智能”更接近人类的多维度认知方式。
二、人工智能算法思想在数学当中有函数对应关系：y=f(x)，在人工智能领域中黑盒思想是我们理解计算方式的第一法则，给计算机指定一个解决思路，具体的解决过程是计算机去完成。即有输入：x，有转换关系：F(x)，有输出：y。
传统算法是基于规则的算法，适用于规则比较清晰的场景，比如在多轮对话任务的智能客服系统，因为规则是人为规定的，所以这类系统对人的业务熟练度要求比较高，但是对计算机的性能要求相对低，特点是执行速度快，算法和时间、空间的复杂度低。
人工智能算法是基于数据的经过训练和推理的算法。训练阶段：从老数据，一般叫训练集中挖掘规律，构建算法规则，然后进行推理，即把规律作用于新数据（测试集），这种经过训练推理的方法适用于规则比较模糊的场景，特点是执行速度慢，对计算机性能的要求很高，需要大量的数据与算力，对算法工程师的要求低，执行效果的鲁棒性特别好，泛化能力极强，但解释性差。
三、机器学习（Machine Learning）的任务类型与学习方式广义的机器学习主要是一个研究如何让计算机通过数据学习规律，并利用这些规律进行预测和决策的过程。这里的Machine并非物理意义上的机器，可以理解为计算机软硬件组织；Learning可以理解为一个系统或平台经历了某些过程后，性能得到提升，这个过程为学习，是个动态过程。
3.1 机器学习任务类型分类：将数据样本划分到定义好的类别中，比如鸢尾花根据花瓣和花萼的属性，将它分为3种类别，类别标签可以用0、1、2来表示，通常放在样本数据的最后一列。
回归：根据输入特征来预测一个值，跟分类任务不同，回归任务预测的值通常是连续的值，比如根据房子的城市、地段、大小等预测房价。
聚类：将数据样本划分成不同的组，同一组的样本具有较高的相似性，比如将具有相似消费行为的客户分成一组，以便企业进行精准运营。
3.2 机器学习的学习方式人工智能要按照训练数据有无标签可分为有监督学习、无监督学习和自监督学习
有监督学习：有特征、有标签，在分类问题中，标签是在有限的类别中选择一个，比如：性别、左右、对错等，在鸢尾花分类任务中，共几百个样本，4个特征，3个类别；回归问题的标签为连续变量，通常用来预测一个值：比如：身高、年龄、股价等。
无监督学习：有特征、无标签，即通过模型自主从数据中提取信息，比如降维算法、聚类算法，通过无监督学习可以将高维数据降维，去除冗余信息，降低计算成本。
自监督学习：base大模型的训练进行学习，让模型自动从数据中挖掘出有价值的特征，比如利用大量无标签数据进行预训练，学习到通用的特征表示后再进行进行微调，提升模型的性能。
四、机器学习的工作流程如果决定要用人工智能去解决一个问题，具体的步骤为：
1.分析问题
从宏观角度分析问题，确定输入和输出以及任务类型，比如做一个中英翻译器，输入中文，输出英文；房价预测输入房子特征信息，输出价格；人脸检测输入图片，输出检测到的人脸。
2. 采集数据
根据输入和输出构建数据集，在机器学习领域，数据集通常以二维表格形式呈现，一行一个样本，一列一个特征，最后一列是标签或回归数值。按照训练数据的特点，可选择对数据进行预处理，常见的机器学习数据预处理方法有：
中心化：数据范围较大、偏移某个基准明显，减去均值使数据范围围绕0点波动，这样可以减少数据的偏移影响，让模型更容易学习数据的规律。标准化：特征尺度、量纲不同、且算法关注分布规律时，将数据减均值再除以标准差，缩放到均值为0、标准差1的正态分布，确保不同特征在模型训练中具有相同的重要性。归一化：不同数据取值范围悬殊，例如，一个特征的取值范围在 0 到 1000 之间，而另一个特征的取值范围在 0 到 1 之间，将每个样本数据减去样本最小值再除以样本的最大值减去最小值，会将数据压缩到[0，1]之间，使得不同特征在模型训练中具有相同的权重，有助于提高模型的收敛速度和稳定性。3. 模型选择与训练
根据任务和数据特点遴选一种合适的算法，将处理好的数据给算法去学习，完成模型的训练，挖掘出输入与输出之间具体的映射关系。常见的分类算法有KNN：K值邻近算法、GNB：高斯贝叶斯算法、DT：决策树算法、SVM：支持向量机算法、RF：随机森林算法、EL：集成学习算法等，在实际案例中需要遵循引入模型、构建模型、训练模型的过程。
4. 模型评估
对训练的模型进行验证和调参工作，通过各种评估指标来衡量模型的效果，如准确率、召回率、F1 值等，找到预测效果最理想的模型参数。
5. 上线部署
工程部署、系统集成，进行本地化部署、云端部署或者边缘部署，云端部署适合数据量较大、计算资源需求高的场景；边缘部署更注重实时性和数据隐私，适用于对响应速度要求高的场景，如政务系统、智能安防监控等。
6. 模型推理
把规则作用于新的数据进行预测，并依据新的数据不断迭代升级。
机器学习的经典案例：鸢尾花分类任务1. 分析问题，确定输入和输出
在人工智能算法中，所有的实体都需要变成数字才能被计算和预测，如何将一个实体数字化呢？一般用这个实体的特征或者属性来描述，比如：颜色、大小、重量等，这就需要对业务有足够的了解，比如鸢尾花的四个属性（特征）：花瓣长、花瓣宽、花萼长、花萼宽，最后一列为类别编号。
2. 数据采集与预处理
比如每个类别各采集50朵花，按照一行一个样本，一列一个特征组成特征矩阵。对样本进行切割，分为训练集、测试集和验证集，通常会按照60:20:20 或者70:15:15的比例来划分。本次案例分为训练集和测试集，测试集占20%，并确保每次切分的数据保持一致。
3. 选择算法
完成输入到输出的映射，我们选择 KNN 算法进行训练。KNN 算法通过计算测试集与训练集每个特征之间的距离，选择距离最近的 K 个样本，再根据这 K 个样本的类别来判断测试样本的类别。
4. 模型评估与部署
用准确率评估鸢尾花分类任务，最终得到的准确率为96.7%，这是一个比较不错的数据，表明 KNN 算法在该任务上表现良好，可以应用到相似场景中，比如在农业邻域中，通过提取植物的特征（如叶片形状、颜色、花朵特征等）对不同品种进行分类。
五、人工智能中的数据和数学知识5.1 python数据三剑客人工智能依赖向量化和矩阵化编程，与线性代数密切相关，比如经常用到矩阵乘法，计算过程需要高性能的计算资源，在数据科学中按照维度定义和处理数据。python为人工智能提供了丰富的库和工具，最常用的库有：
Numpy：进行科学计算，向量化、矩阵化计算，ndarray是 NumPy 库的核心数据结构，是一个具有相同数据类型（如整数、浮点数等）和固定大小的多维容器，容器中每个元素都有相同的数据类型，并且在内存中是连续存储的。例如，一维的ndarray就像一个列表，二维的ndarray类似矩阵，而更高维度的ndarray可以表示更复杂的数据结构，在ndarray结构中，标量（scalar）、矢量(vector)、矩阵(matrix)和张量(tensor)，分别表示0维、1维、二维和三维以上的数据。Matplotlib：对数据可视化，用一行代码就能实现绘图，直观理解数据的分布和特征。Pandas：二维数据分析神器，提供了高效的数据结构和数据处理函数，方便对二维数据的读取、清洗、转换等操作。深度学习常用的框架有pytorch、tensorflow，pytorch可在官网下载，支持安装gpu和cpu版本。
5.2 数学知识矩阵
人工智能中处理的大量数据通常以矩阵形式存储和表示，机器学习中对矩阵的处理包括：
矩阵分解：用于抽取信息，比如矩阵的特征向量和特征值。特征分解：进行特征分解的矩阵必须是方阵，奇异值分解可以适用于任何矩阵，在PCA降维算法中，能帮助提取数据的主要特征，降低数据的维度，从而提高算法的效率和性能。假设有三个矩阵，分别为A:[m, k]，B:[k, n]，C:[m, n]，则AB=C。样本相似度度量
1）欧氏距离
建立个直角坐标系，把每个样本看作一个点，有多少特征就有多少维度的欧氏空间，欧氏距离是欧氏空间中用于衡量两个点之间距离的一种度量方式，比如在聚类算法中衡量数据点之间的相似性；在鸢尾花分类任务中，遍历计算测试集与训练集中各个样本的欧氏距离，找出与测试集样本最接近的K个点，距离越小越相似。
在二维平面上，设两个点α（x1, x2）、β（x3, x4），
则α和β两点之间的欧氏距离为：
2）点乘积和余弦相似度
每个样本可以看作一个向量空间内的向量，样本的相似度度量方法可以用余弦相似度和点乘积来计算
向量的模（长度）：
点乘积：
点乘积的值不仅与向量的模（长度）有关，还和向量的方向相关，当两向量夹角为0时，点乘积值最大，两个向量越相似，反之亦然。
余弦相似度：
余弦取值范围在[−1,1]之间，值越接近 1 表示两个向量的方向越趋同，则样本越相似；值越接近 -1 表示两个向量方向相反；值接近 0 表示两个向量近乎正交，即样本差异较大。
正太分布
在现实世界中，许多数据都近似服从正态分布，在机器学习中，我们把每个特征数据看作相互独立，通常也假设数据服从正态分布，均值和方差是描述正态分布的关键参数，在计算时可以简化模型计算的复杂度。除此之外，在数据预处理时，对于数据的中心化、标准化和归一化处理也需要均值和标准差。
均值：均值是一组数据的算术平均数，反映了特征数据的中心位置，对于一组数据x1, x2,…xn，其均值为：
方差：方差用来衡量一组数据的离散程度，方差越大，数据分布越分散；方差越小，数据分布越集中。对于一组数据x1, x2,…xn，其方差为：
上图显示均值都为0时，拥有不同方差数据的分布特点，其中x代表均值，var代表方差
理论上我们需要求出所有数据的准确方差值，在实际计算场景中，数据量往往非常大，获取和计算数据成本太高，需用样本方差代替总体方差去计算。整体方差是在所有数据参与的前提下计算出的值，样本方差是从总体中抽取一部分数据作为样本。
标准差：标准差是方差的平方根，与方差的作用类似也是用于衡量数据的离散程度，正太分布以均值为中心，标准差越大，数据分布越分散，图像越扁平；方差越小，数据分布越集中，图像越窄长。对于一组数据x1, x2,…xn，其标准差为：
本文由 @AI产品薇薇 原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自 Unsplash，基于CC0协议。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
本文来自作者[仁永穗]投稿，不代表酷展号立场，如若转载，请注明出处：https://iosku.vip/sjzx/2025sop04-15670.html
评论列表（4条）
我是酷展号的签约作者“仁永穗”！
希望本篇文章《深入浅出cv表（一文读懂AI基础知识核心流派算法原理与实战解析）》能对你有所帮助！
本站[酷展号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：在当今科技飞速发展的时代，人工智能（Artificial Intelligence）作为模拟人类智能的前沿科技，是最具影响力的技术之一，其核心在于通过算法与数据驱动实现感知、学...