【人工智能】大模型极简教程：基本概念与原理

07-17 1477阅读

人工智能大模型基本概念

文章目录

人工智能大模型基本概念
- 1. 人工智能（AI）概述
- - 1.1 弱人工智能与强人工智能
  - 1.2 人工智能的发展历程
  - 1.3 典型应用领域
  - 1.4 伦理与法律问题
- 2. 机器学习（ML）
- - 2.1 监督学习
  - 2.2 无监督学习
  - 2.3 半监督学习
  - 2.4 强化学习
  - 2.5 特征工程
  - 2.6 模型评估与选择
  - 2.7 回归与分类任务
  - 2.8 防止过拟合与欠拟合
  - 2.9 常见机器学习算法
  - - 线性回归（Linear Regression）
    - 支持向量机（Support Vector Machines，SVM）
    - 决策树（Decision Trees）
    - 朴素贝叶斯（Naive Bayes）
    - K近邻（K-Nearest Neighbors，KNN）
    - 随机森林（Random Forests）
    - 梯度提升机（Gradient Boosting Machines，GBM）
  - 2.10 机器学习平台与库
  - 2.11 模型调参
  - 2.12 类别不平衡问题
  - 2.13 迁移学习
- 3. 深度学习（DL）
- - 3.1 人工神经网络
  - 3.2 深度神经网络
  - 3.3 常见的深度学习模型
  - - 3.3.1 卷积神经网络（CNN）
    - 3.3.2 循环神经网络（RNN）
    - 3.3.3 Transformer 模型
  - 3.4 损失函数和优化算法
  - 3.5 正则化技巧
  - 3.7 迁移学习在深度学习中的应用
  - 3.8 生成模型
  - 3.9 深度学习框架和环境
  - 3.10 深度学习应用领域
  - 3.11 深度学习的挑战与未来趋势
- 4. 大型预训练模型（LM）
- - 4.1 预训练阶段
  - 4.2 任务添加与调整阶段
  - 4.3 Transformer模型
  - 4.4 BERT（Bidirectional Encoder Representations from Transformers）
  - 4.5 GPT（Generative Pre-trained Transformer）
  - 4.6 零样本、少样本和一步到位学习
  - 4.7 开放领域问答（Open-domain Question Answering）
  - 4.8 预训练模型的局限性与挑战
  - 4.9 人工智能伦理和道德问题
- 5. 生成性预训练Transformer（GPT）
- - 5.1 自回归任务与预训练
  - 5.2 Transformer模型结构
  - 5.3 微调
  - 5.4 GPT-2
  - 5.5 GPT-3
  - 5.6 零样本、少样本和一步到位学习
  - 5.7 开放领域问答（Open-domain Question Answering）
  - 5.8 局限性与挑战
  - 5.9 人工智能伦理与道德问题
- 参考资料

1. 人工智能（AI）概述

人工智能（AI）是一种多学科交叉的领域，旨在研究、理解、开发与人类智能相关的计算机系统。其最终目标是使计算机能够执行人类智能任务的策略、方法并优化处理过程。

（图片来源网络，侵删）

1.1 弱人工智能与强人工智能

弱人工智能：也称为窄人工智能，弱人工智能系统专注于单个任务的专门领域。这些系统在该区域内可以表现出类似人类智能的能力，但无法在广泛的任务中表现出类似人类的认知功能。例如：语音识别、图像识别等。
强人工智能：强人工智能系统可以理解、学习和应用知识，从而在各种任务上取得与人类智能相似的绩效。这些系统可以进行推理、解决问题、学习、规划、沟通等一系列任务。当前，还没有实际系统实现强人工智能。