人人懂AI之从机器学习到大模型_98页_4mb

AI 技术入门与应用实践总结

阿里云瑶池数据库公众号可获取AI相关内容。导论：AI融入日常生活

• 人工智能（AI）已成为影响工作、学习、生活的基础技能，如同计算机语言一样重要。
• 本书面向IT从业者和学生，通过通俗语言讲解机器学习、深度学习、神经网络等基础原理，介绍大语言模型（LLM）和AIGC应用。
• 重点探讨大语言模型“知识茧房”问题及其破解方法（如RAG），并提供实践指导。
• 目标是成为AI初学者的启蒙书籍，帮助读者了解AI、动手实践，构建自己的AI应用。

AI基础与机器学习

• 人工智能的定义：以数学、统计学为基础理论的工程实践，通过暴力计算从数据中挖掘规律，预测结果。
• AI的关键要素：数据、算法、算力，以及应用场景。
• 数据：高质量数据是模型知识的源头，本质规律需从数据中发掘。
• 算法：训练模型的核心，对模型效果直接影响。
• 算力：深度学习和大模型训练需求极高，是技术落地的瓶颈。
• 知识茧房：LLM知识局限在训练数据中，对超出知识范围的问题会胡说八道。引入检索增强生成（RAG）来结合企业知识库，破解此问题。
• 机器学习训练流程：数据预处理、模型选择（线性回归、逻辑回归）、损失函数定义（如平方误差）、梯度下降优化（最小化损失函数）。训练过程需处理过拟合、欠拟合。

深度学习与神经网络

• 深度学习是机器学习的核心分支，用于处理有复杂空间/时间特征的数据（如图像、语音、文本）。
• 神经网络结构：包含输入层、隐藏层、输出层。
• 核心思想是叠加多个“可学习的非线性单元”，通过激活函数（如Sigmoid、ReLU）引入非线性，增强模型表达能力。
• 卷积神经网络（CNN）：结构：卷积层（提取局部特征）、激活函数、池化层（降维、增强鲁棒性）、全连接层。
• 应用：手写数字识别（如LeNet）、图像分类（如AlexNet）。全连接的操作将特征映射到类别概率，实现分类。

AIGC及大语言模型

• AIGC：AI生成内容，涵盖文生文、文生图、文生视频、文生代码等领域，正在全面提升各行业。
• LLM (大语言模型)：如ChatGPT、文心一言等，工作原理是将语言转化为向量，通过海量数据训练得到，可实现语义理解、生成等。
• 知识库+LLM问答系统：使用私域知识构建知识库，将查询问题向量化，从知识库中检索相似信息，交给LLM生成答案，提升答案精准度和私域知识覆盖率。

AI应用场景与实践

• AI应用广泛：金融、制造、消费、医疗、教育、交通等，如人脸识别、语音识别、自动驾驶、推荐系统。
• 应用开发新范式：“对话即编程”：用户即可用自然语言描述需求或问题，AI模型根据提示词生成代码或答案。
• 现实考虑：AI落地需选择合适场景、数据、算法及算力。价格从5.99元/月起，入门友好。

配套资源

• 包含视频教程、动手实践代码（如搭建CNN、部署Langchain、构建智能问答机器人）、参考文献等。
• LangChain框架：集成文档分割、向量表示、检索、大模型调用等，简化知识库+LLM落地。

结语
本书从理论基础到实践案例全面覆盖AI入门，不仅介绍了AI的基本原理，还重点探讨了LLM知识局限性和解决方案，并提供了工程实践指导，助力读者有效理解并应用AI技术。