AI

在人工智能浪潮席卷的当下，AI知识成为众多学生渴望掌握的热门领域。这张AI知识体系思维导图模板，宛如一把开启AI知识大门的钥匙，为学生们提供了全面且系统的学习。模板围绕AI核心展开，涵盖人工智能AI、机器学习ML、监督学习、无监督学习、强化学习RL、深度学习DL、经典神经网络结构、机器学习通用流程以及核心数学基础等多个关键板块。在人工智能AI部分，清晰阐述其核心目标、三大阶段和主要分支，让学生对AI整体有宏观认识。机器学习ML板块介绍定义、三大源泉和三大学习范式，搭建起机器学习的知识根基。监督学习、无监督学习和强化学习部分，分别详细说明定义、任务类型和常见模型，如监督学习中的逻辑回归、决策树，无监督学习的聚类算法，强化学习的Q-Learning等，帮助学生理解不同学习方式的特点和应用场景。深度学习部分列举常见网络结构，像卷积神经网络、循环神经网络等，展示其在计算机视觉、自然语言处理等领域的强大应用。对于学生而言，无论是计算机科学、数据科学专业的学生想要深入学习AI知识，还是其他专业学生希望拓展知识面，这张思维导图都能满足需求。

AI

• 一、人工智能 AI
  • 核心目标：让机器模拟人类智能
  • 三大阶段
    • 计算智能：快速计算、存储
    • 感知智能：视觉、语音、NLP
    • 认知智能：理解、推理、决策
  • 主要分支
    • 计算机视觉 CV
    • 自然语言处理 NLP
    • 语音识别与合成
    • 机器人
    • 专家系统
    • 机器学习
• 二、机器学习 ML
  • 定义：从数据中学习规律，不硬编码规则
  • 三大流派
    • 符号主义：逻辑、规则、专家系统
    • 联结主义：神经网络、深度学习
    • 行为主义：强化学习、进化算法
  • 三大学习范式
    • 监督学习 Supervised Learning
    • 无监督学习 Unsupervised Learning
    • 强化学习 Reinforcement Learning
• 三、监督学习
  • 定义：有标签数据 → 学习输入→输出映射
  • 分类任务
    • 逻辑回归
    • 决策树 / 随机森林
    • SVM
    • K近邻 KNN
    • 神经网络分类
  • 回归任务
    • 线性回归
    • 多项式回归
    • 岭回归、Lasso
  • 常见模型
    • 传统模型
    • 深度模型
• 四、无监督学习
  • 定义：无标签数据 → 发现数据结构
  • 聚类
    • K-Means
    • 层次聚类
    • DBSCAN
  • 降维
    • PCA 主成分分析
    • LDA
    • t-SNE
  • 生成式模型
    • 自编码器 AE
    • 生成对抗网络 GAN
    • 变分自编码器 VAE
• 五、强化学习 RL
  • 核心：智能体 + 环境 + 奖励
  • 元素
    • 状态 State
    • 动作 Action
    • 奖励 Reward
    • 策略 Policy
  • 经典算法
    • Q-Learning
    • SARSA
    • DQN
    • Policy Gradient
    • A2C / A3C
    • PPO
• 六、深度学习 DL
  • 定义：多层神经网络的机器学习
  • 基础组件
    • 神经元
    • 激活函数
      • Sigmoid / Tanh
      • ReLU / LeakyReLU
      • Softmax
    • 网络层
      • 全连接层 FC
      • 卷积层 Conv
      • 池化层 Pooling
      • 循环层 RNN/LSTM/GRU
      • 注意力层 Attention
    • 损失函数 Loss
      • 分类：交叉熵
      • 回归：MSE、MAE
      • 生成：GAN Loss
  • 优化算法
    • 梯度下降 GD
    • 小批量梯度下降 MBGD
    • 随机梯度下降 SGD
    • 动量法 Momentum
    • AdaGrad / RMSProp
    • Adam（最常用）
• 七、经典神经网络结构
  • 计算机视觉 CNN
    • 卷积神经网络
    • 典型结构
      • LeNet
      • AlexNet
      • VGG
      • GoogLeNet / Inception
      • ResNet（残差网络）
      • EfficientNet
    • 应用
      • 图像分类
      • 目标检测
      • 图像分割
      • 人脸识别
  • 序列建模 RNN 系列
    • 循环神经网络 RNN
    • 长短期记忆 LSTM
    • 门控循环单元 GRU
    • 应用
      • 文本分类
      • 情感分析
      • 机器翻译
      • 时间序列预测
  • Transformer 架构
    • 自注意力机制
    • Encoder-Decoder
    • BERT（Encoder）
    • GPT（Decoder-only）
    • T5、LLaMA 等大模型
    • 应用
      • NLP 全领域
      • 多模态
      • AIGC
• 八、机器学习通用流程
  • 问题定义：分类/回归/聚类/生成
  • 数据采集与预处理
    • 清洗、去噪、归一化、标准化
    • 数据集划分：训练集/验证集/测试集
  • 特征工程
  • 模型选择与构建
  • 训练与优化
    • 前向传播
    • 损失计算
    • 反向传播
    • 参数更新
  • 评估与调优
    • 过拟合、欠拟合
    • 正则化 L1/L2
    • Dropout
    • 早停 Early Stopping
  • 部署与推理
• 九、核心数学基础
  • 线性代数
    • 向量、矩阵、张量
    • 特征值、奇异值分解
  • 概率论与统计
    • 概率分布、期望、方差
    • 极大似然估计
  • 微积分
    • 导数、偏导数
    • 梯度、链式法则
• 深度学习
  • 1. 基础组成：网络层（最小积木）
    • 全连接层 FC（Dense）
    • 卷积层 Conv
    • 池化层 Pooling
    • 循环层 RNN/LSTM/GRU
    • 注意力层 Attention
    • 嵌入层 Embedding
    • 归一化层 BatchNorm/LayerNorm
    • 激活函数层 ReLU/Sigmoid/Softmax
    • Dropout 层
  • 2. 由「网络层」组成 → 神经网络结构
    • 2.1 卷积神经网络 CNN
      • 层组成：Conv + Pooling + FC + 激活
      • 代表：LeNet、AlexNet、VGG、ResNet
    • 2.2 循环神经网络 RNN 系列
      • 层组成：RNN/LSTM/GRU + FC + 激活
      • 代表：LSTM、GRU
    • 2.3 Transformer 架构
      • 层组成：Attention + FeedForward + Norm
      • 代表：BERT、GPT、T5、LLaMA
    • 2.4 多层感知机 MLP
      • 层组成：全连接层 + 激活
      • 最基础神经网络
  • 3. 核心关系总结
    • 网络层 = 零件
    • 神经网络结构 = 用零件搭出来的完整模型
    • 深度学习 = 研究这些层怎么搭、怎么训练