(这篇博客由曾经的笔记经过补充和整理后发表，可能存在与发布时间相悖的时间线)
这篇博客主要梳理一下 ai 的相关概念，留以个人复习使用。
人工智能、机器学习以及深度学习
人工智能(AI): 指由人制造出来的机器所表现出来的智能
机器学习(ML): 强调通过算法让机器从数据中学习规律，是人工智能的子集
深度学习(DL): 使用多层神经网络处理复杂模式，是机器学习的子集
人工智能的三大主流学派
符号主义
模拟人类的心智
该学派认为人类认知和思维的基本单元是符号，而认知过程就是在符号表示上的一种运算。它认为人是一个物理符号系统，同时计算机也是一个物理符号系统，因此我们就能够用计算机来模拟人的智能行为。
优点是接近自然语言，可解释性比较强，真值仅有“真”与“假”，其表示和推理都是精确的。
缺点也很明显： 只能表示确定的知识，且需要人工静态管理。系统知识量大时，容易组合爆炸。
TIP与离散数学中的命题逻辑，谓词逻辑高度相关。均注重严格的形式化表达。
经典算法
决策树和专家系统是这一学派的经典算法。
神经连接主义符号主义是AI的早期范式，如今已经不再处于主导地位，但是并未完全消亡。相反，他与连接主义结合，形成神经连接主义(Neuro-Symbolic):
在知识图谱（Knowledge Graphs）和基于大语言模型（LLMs）的自主代理（Autonomous Agents）中，符号主义被用来处理语言知识、规则和推理流程。这种融合增强了AI的推理和决策能力，尤其是在需要明确逻辑的场景中。
连接主义
模拟人类大脑的神经元相互连接的结构
当今时代机器学习的主导，详细内容将另外开一篇博客叙述。
行为主义
模拟人类的行为
经典算法：遗传算法
其余
还有频率学派和贝叶斯学派的竞争。
三大主流范式
- 监督学习
- 分类: 预测离散类别
- 回归: 预测连续值
- 无监督学习
- 聚类: 将数据分组
- 降维: 减少数据维度
分类和聚类的区别？分类任务已知待分类的数量和具体种类，而聚类没有给出具体的种类。
- 强化学习
IMPORTANT强化学习并不属于深度学习。
- 其余
还有自监督、半监督等混合范式。
高级范式
迁移学习
利用在一个任务上训练的模型，迁移到另一个相关任务上。
联邦学习
在分布式设备上协同训练模型，同时保护数据隐私。
元学习
“学会学习”，通过少量样本快速适应新任务（如少样本学习 Few-Shot Learning）。
集成学习
结合多个模型的预测，通过投票的方式提高性能