Foreword写在前面的话：

  大家好，我是一名刚开始学习AI以及其算法的新手。这篇文章是我在学AI过程中的一些笔记和心得，希望能和同样在学习AI的朋友们分享。由于我的知识有限，文章中可能存在错误或不准确的地方，欢迎大家在评论区提出建议和指正。我非常期待大家的反馈，以便我能不断学习和进步。同时，我也会在文章中注明参考的资料，以示对原作者的尊重。

PS：本帖以记录学习心得和笔记为主，没有其他大博主那么专业，但是简单易懂^-^

本贴的其他相关学习笔记资料可以通过订阅专栏获取，喜欢的小伙伴可以多多点赞+关注呀！后续会 持续更新相关资源的~

本文参考：一文概览人工智能(AI)发展历程 - 知乎

1. 人工智能有三个要素：数据、算力及算法
2. AI定义：一个经典的AI定义是：“ 智能主体可以理解数据及从中学习，并利用知识实现特定目标和任务的能力。(A system’s ability to correctly interpret external data, to learn from such data, and to use those learnings to achieve specific goals and tasks through flexible adaptation)”

1. 人工智能学派：

1. 联结主义（也成为仿生学派）：基于大数据背景下的机器学习，需要大量数据集来训练算法（连接主义的核心观点是，神经元之间的连接权重可以通过学习和训练进行调整，从而实现对复杂模式的识别和处理。）；
2. 符号主义：基于逻辑规则推导答案的人工智能（比如专家系统适用于结构化决策，based on If-then rules，将专家隐性知识引入系统提升决策效率，但是需要持续更新规则以及不适用于半结构化决策）/决策树：处理非线性数据，分类问题；

演化主义：GA算法genetic algorithm, 模仿物种自然选择的过程优化问题解决方案；

贝叶斯主义：偏向于概率统计应用，如logistic回归适用于处理线性大数据集的解释预测；

行为主义：鼓励试错和不断优化策略，类似于监督学习supervised learning 但不完全相同；

连结主义学派-人工神经网络

卷积神经网络（CNN, Convolutional Neural Network）

循环神经网络（RNN, Recurrent Neural Network）

反向传播算法（Backpropagation，简称BP） 是训练人工神经网络（ANN）最重要的优化算法之一。它是一种基于梯度下降法的技术，用于计算神经网络权重的梯度，并通过最小化误差来优化网络性能。 反向传播的引入极大地推动了深度学习的发展，使得复杂的多层神经网络得以高效训练。--可用于金融分析（风险预测、信用评分）

--反向传播算法-目标：最小化损失函数，在网络中不断调整权重（运用梯度下降算法思想gradient descent）最终找到最优解。为了防止过拟合，可以适用L1/L2正则化技术

--L1正则化（Lasso回归）会让不重要的特征权重变成0，删掉无关的因素，最终使模型更简单、更容易解释。--即：把握重要特征

类比：

假设你在整理房间，L1正则化就像是“断舍离”，只保留最重要的东西，扔掉用不到的杂物。

L2正则化（Ridge回归）——让模型“更稳定”--不是直接丢掉某些特征，而是把不重要的特征影响力弱化

脉络：反向传播算法backpropagation--梯度下降算法--L1/L2正则化优化算法权重特征值的处理

人工智能产业未来发展趋势分析：

AI三要素：数据算力算法

Moore's Law 是由英特尔的创始人之一 Gordon Moore 在 1965 年提出的观察法则，内容是集成电路上的晶体管数量每两年会翻一倍-即算力发展速度会 越来越快，从而使得计算能力不断提高，同时成本不断降低。这个规律的背后是半导体技术的进步，尤其是在芯片制造工艺上。

Mass digital storage law 大规模数据存储成本会随时间而降低

量子计算，边缘计算，并行计算

学派融合

最后，感谢每一位阅读这篇文章的朋友，你们的反馈对我来说非常宝贵。如果有任何问题或建议，请随时告诉我。让我们一起学习和进步吧！如果您喜欢我的内容，别忘了点赞和关注哦，我会定期分享更多有价值的信息。