1 人工智能（AI）的四个层次
- 感知（Perception）
- 定义：识别和理解输入数据（如看到物体、听懂语音）。
- 例子：图像分类（识别猫/狗）、语音转文字。
- 现状：深度学习在感知任务上已接近或超越人类水平（如 ImageNet 分类错误率 < 5%）。
- 推理（Reasoning）
- 定义：基于感知结果进行逻辑推断（如预测未来事件）。
- 例子：天气预报、医疗诊断。
- 挑战：需要结合常识和上下文，目前仍是研究难点。
- 知识形成（Knowledge Formation）
- 定义：从数据中提炼结构化知识（如构建知识图谱）。
- 例子：自动摘要、问答系统。
- 规划（Planning）
- 定义：制定长期策略（如自动驾驶路径规划）。
- 例子：机器人决策、游戏 AI（AlphaGo）。
AI 技术演进：符号学（早期 AI）→ 概率模型（统计学习）→ 机器学习 → 深度学习。
深度学习是机器学习的子集，但能处理更复杂的任务（如图像、语音、自然语言）。
核心优势：自动从数据中学习特征，无需人工设计规则（如传统计算机视觉需手动提取边缘、纹理等特征）。
2 突破性应用
2.1 计算机视觉
- 图像分类：ImageNet 竞赛中错误率从 26%（2012 年 AlexNet）降至 <5%（2017 年）。
- 物体检测和分割：定位图片中的物体位置（如 YOLO、Faster R-CNN）。
- 风格迁移：将图片转换为特定艺术风格（如梵高滤镜）。
- 人脸合成：生成逼真假人脸（如 GAN 生成的虚拟人物）。
2.2 自然语言处理（NLP）
- 文本生成：GPT-3 可生成文章、代码甚至诗歌。
- 文字生成图片
2.3 其他领域
- 无人驾驶：特斯拉通过 CNN 实时识别道路、车辆和行人。
- 广告推荐：预测用户点击率（CTR），优化广告排序（如淘宝、百度广告系统）。
3 广告点击率预测案例
- 流程三阶段
- 触发广告：根据用户搜索关键词匹配相关广告。
- 点击率预测：用深度学习模型预测用户点击概率（P）。
- 排序与展示：按
P × 竞价价格排序，优先展示高价值广告。
- 技术实现
- 特征提取：广告主信息、产品描述、图片特征等。
- 模型训练：用历史点击数据（如 100GB 日志）训练模型。
- 迭代优化：数据量增大后需优化模型性能（如分布式训练）。
- 团队分工
- 领域专家：理解业务逻辑（如广告投放规则）。
- 数据科学家：清洗数据、训练模型。
- AI 专家：提升模型精度和效率（如模型压缩、多 GPU 训练）。
4 深度学习环境配置
参考教程：2025-03-12 Python&深度学习1——安装Anaconda与PyTorch库_安装pytorch库-CSDN博客。