文章目录
一、基础任务与算法分类
1. 分类任务（监督学习）
定义：预测离散标签（如天气类型、图像类别）。
算法分类：
①生成式模型：建模各类数据的分布（如高斯模型、朴素贝叶斯），通过概率最大化分类。
②判别式模型：直接学习决策边界（如逻辑回归、SVM、决策树）。
核心算法：
①逻辑回归：输出概率解释性强，适合线性可分数据，但对非线性边界效果差。
②SVM：通过核函数处理非线性问题，但调参复杂且内存消耗大。
③决策树与集成方法（如随机森林）：擅长非线性关系，抗噪性强，但单棵树易过拟合。
2. 回归任务（监督学习）
定义：预测连续数值（如房价、温度）。
核心算法：
①线性回归（正则化）：简单易解释，但需手动处理非线性关系。
②梯度提升树（GBM）：性能上限高，常用于竞赛场景，但调参难度大。
3. 聚类任务（无监督学习）
定义：根据数据内在结构分组（如客户细分、新闻聚类）。
核心算法：
①K-means：速度快但需预设簇数，假设簇呈球形。
②DBSCAN：基于密度划分，可处理非球形簇，但对超参数敏感。
二、关键流程与技术细节
1. 数据预处理
缺失值处理：均值填充、同类样本插补。
噪声处理：分箱、回归平滑。
数据规范化：最小-最大缩放、Z-score标准化。
2. 特征工程
传统机器学习：依赖人工设计（如文本TF-IDF加权）。
深度学习：自动提取高阶特征（如CNN卷积核学习图像边缘）。
3. 数据集划分与评估
划分比例：训练集（80%）、验证集（10%）、测试集（10%）。
评估指标：
①分类：精确率（查准）、召回率（查全）、F1分数、AUC-ROC曲线。
②回归：均方误差（MSE）、R²系数。
三、进阶技术
1.深度学习
在图像（CNN）、文本（RNN）、语音任务中表现突出，但需海量数据和算力。
2.强化学习
通过环境交互优化策略，适用于游戏AI、机器人控制。
四、行业应用场景
1.计算机视觉
检测任务：基于深度学习的对象检测算法（如YOLO、Faster R-CNN）广泛应用于安防监控、自动驾驶等领域，实现实时精准的目标定位与分类。
分割任务：医学影像分割：利用U-Net等算法实现CT/MRI病灶像素级定位，辅助早期癌症诊断；自动驾驶场景分割：区分道路、车辆、行人等要素，提升环境感知精度。
行为识别：工厂监控违规操作（如抽烟、未佩戴安全帽）实时预警；教室场景通过姿态估计分析学生专注度，支持智慧课堂管理；体育赛事动作捕捉助力运动员训练优化。
行人重识别：基于度量学习与注意力机制，解决跨摄像头视角、光照变化及部分遮挡难题，广泛应用于城市安防嫌疑人追踪、商业综合体顾客行为分析等场景。
2.对抗生成网络（GAN）
图像修复: 通过生成对抗训练恢复老照片缺损区域；
AI换脸: 衍生出虚拟主播、影视特效等创新应用，但面临Deepfake虚假信息传播风险；
数据增强: 可生成逼真训练样本，提升模型泛化能力，需配合数字水印等技术完善伦理治理。
3.自然语言处理（NLP）
信息检索：基于BERT等预训练模型实现语义级搜索引擎优化；
自动问答: 融合知识图谱技术，在客服机器人、智能助手等场景落地；
情感分析: 应用于社交媒体舆情监测，通过细粒度分类识别讽刺等复杂情感；
信息抽取: 从非结构化文本中提取实体关系，赋能金融研报解析、法律文书处理等垂直领域。
难点：语境歧义（如"苹果"在不同上下文指代水果/品牌/科技公司）需结合知识图谱消歧；依赖高质量人工标注数据（如NER任务需领域专家标注）及词向量技术演进（从Word2Vec到预训练语言模型的上下文感知表示）。
4.知识图谱
构建多领域实体关系网络（如医疗领域的疾病-症状-药物关联图谱），支撑智能问答系统实现病因推理，推荐系统完成个性化商品匹配，金融风控中识别关联交易风险，同时赋能教育领域的智能导览与知识推理。
五、算法选择与优化建议
- “没有免费午餐”定理：无通用最优算法，需根据数据特性选择（如小样本用SVM，高维稀疏数据用随机森林）。
- 解决过拟合：
● 正则化（L1/L2惩罚项）。
● 集成方法（如Bagging、Boosting）。 - 可解释性权衡：决策树规则直观，神经网络需借助LIME等工具。