机器学习

人工智能（AI）让机器模拟人类智能——从 1956 年达特茅斯会议到深度学习革命，AI 经历了多次"寒冬"和"春天"

搜索算法是 AI 中最基本的问题求解方法——BFS 逐层扩展保证最短路径，DFS 深入探索用栈，A\* 用启发式函数引导方向

Minimax 是双人博弈的搜索算法——在对手也最优的前提下最大化自己的收益。Alpha-Beta 剪枝大幅减少搜索量

线性回归拟合连续值（房价预测），逻辑回归输出概率（分类）。梯度下降是训练它们的最基本优化算法

决策树用 if-else 规则树做分类——每个节点问一个问题，根据答案走不同分支。随机森林用多棵决策树投票，大幅降低过拟合

SVM 在特征空间中找最大间隔超平面——让两类数据离分界线越远越好。核技巧把低维不可分的数据映射到高维使其可分

KNN 直接拿训练数据做判断——新样本看 k 个最近邻居投票。朴素贝叶斯用概率论做分类——假设特征相互独立

聚类把数据分成几组——"物以类聚"。k-Means 指定组数迭代优化，DBSCAN 按密度聚类，自动发现任意形状的簇

PCA 把高维数据投影到低维——保留数据"方差最大"的方向。用于降维、可视化、去噪，是机器学习中最常用的无监督方法之一

神经网络（MLP）是多层感知器的堆叠——每层是线性变换+非线性激活函数。反向传播通过链式法则计算梯度，是训练神经网络的核心算法

CNN 用卷积核扫描图像——检测边缘、纹理、形状等特征。池化层压缩尺寸，多层堆叠从简单特征组合成复杂语义。LeNet、ResNet 是经典架构

RNN 通过"记忆"处理序列数据——每个时间步的输出依赖于当前输入和上一步的"隐藏状态"。LSTM 用门控机制解决长序列中的梯度消失问题

Transformer 用自注意力（Self-Attention）代替 RNN 处理序列——每个位置关注所有位置，并行计算效率远高于 RNN。是 GPT、BERT、LLM 的基础架构

生成模型学习数据分布并生成新样本——GAN 用生成器和判别器对抗训练，VAE 用编码器-解码器学习隐空间，扩散模型逐步去噪生成图像

强化学习让智能体在环境中通过"试错"学习——做动作获得奖励，目标是最大化总奖励。Q-Learning 学习动作价值函数，DQN 用神经网络近似 Q 函数

自然语言处理让计算机理解、生成人类语言——从词嵌入（Word2Vec）到预训练模型（BERT、GPT），NLP 经历了从"手动特征"到"大模型"的转变

计算机视觉让计算机"看懂"图像和视频——图像分类识别物体类别，目标检测定位物体位置，语义分割给每个像素分类。YOLO 实现实时检测，SAM 实现通用分割

MLOps 把机器学习模型从"实验"变成"产品"——数据管理、实验追踪、模型部署、监控、持续迭代。和 DevOps 类似但增加了数据、模型版本管理等 ML 特有挑战

AI 伦理关注算法对社会的公平性、透明度、隐私和问责——偏见、可解释性、安全性是核心议题