人工智能技術(shù)考試復習講義第一章人工智能技術(shù)基礎1.1定義與發(fā)展脈絡人工智能（AI）是模擬、延伸和擴展人類智能的技術(shù)體系，涵蓋感知、推理、決策與自主學習能力。其發(fā)展歷經(jīng)三次浪潮：符號主義階段（20世紀50-80年代）：以邏輯推理為核心，代表成果為專家系統(tǒng)（如MYCIN醫(yī)療診斷系統(tǒng)），但受限于規(guī)則的窮盡性。連接主義復興（20世紀90年代-21世紀初）：以神經(jīng)網(wǎng)絡為核心，反向傳播算法（BP）推動多層感知機發(fā)展，但因算力與數(shù)據(jù)瓶頸陷入低潮。深度學習爆發(fā)（2010年至今）：大數(shù)據(jù)、GPU算力與Transformer等模型突破，催生AlphaGo、GPT系列等里程碑成果。1.2核心要素：數(shù)據(jù)·算法·算力數(shù)據(jù)：AI的“燃料”，分為結(jié)構(gòu)化（表格、數(shù)據(jù)庫）與非結(jié)構(gòu)化（圖像、文本）。數(shù)據(jù)質(zhì)量（標注精度、噪聲率）、規(guī)模（百萬級樣本支撐大模型訓練）直接影響模型效果。算法：從傳統(tǒng)統(tǒng)計學習（如SVM）到深度學習（如Transformer），算法需平衡泛化能力（對新數(shù)據(jù)的適應力）與效率（訓練/推理速度）。算力：GPU（CUDA架構(gòu)）、TPU（谷歌定制芯片）與分布式計算（如Kubernetes集群），支撐模型從“小而精”（ResNet）到“大而全”（GPT-4）的演進。第二章機器學習核心技術(shù)2.1范式分類與典型場景機器學習按監(jiān)督信號分為三類：監(jiān)督學習：含標簽數(shù)據(jù)訓練，目標為“預測”（如邏輯回歸做欺詐檢測、隨機森林做客戶分群）。無監(jiān)督學習：無標簽數(shù)據(jù)訓練，目標為“發(fā)現(xiàn)模式”（如K-means聚類用戶畫像、PCA降維可視化）。強化學習：智能體通過與環(huán)境交互“試錯”優(yōu)化策略（如DQN玩Atari游戲、PPO訓練機器人行走）。2.2訓練與評估關(guān)鍵訓練流程：數(shù)據(jù)劃分為訓練集（70%）、驗證集（20%）、測試集（10%）；損失函數(shù)（分類用交叉熵、回歸用MSE）引導模型優(yōu)化；優(yōu)化器（Adam、SGD）加速收斂。評估指標：分類任務看F1值（精確率+召回率的調(diào)和平均），回歸任務看RMSE（均方根誤差），聚類任務看輪廓系數(shù)（衡量簇內(nèi)緊湊度與簇間分離度）。過擬合應對：數(shù)據(jù)層面（增廣、降噪）、模型層面（L1/L2正則化、Dropout）、訓練層面（早停法）。第三章深度學習技術(shù)體系3.1神經(jīng)網(wǎng)絡基礎感知機：單神經(jīng)元模型，通過“權(quán)重+激活函數(shù)（如Sigmoid）”實現(xiàn)線性分類，但無法解決異或（XOR）問題。多層感知機（MLP）：堆疊隱藏層突破線性限制，但易因梯度消失（反向傳播時梯度逐層衰減）導致深層網(wǎng)絡訓練失效。激活函數(shù)：ReLU（緩解梯度消失）、GELU（結(jié)合隨機正則，適配Transformer）是當前主流選擇。3.2經(jīng)典網(wǎng)絡結(jié)構(gòu)CNN（卷積神經(jīng)網(wǎng)絡）：通過局部感知（感受野）與權(quán)值共享（減少參數(shù)），高效處理圖像（如ResNet用殘差連接解決深層訓練退化）。RNN（循環(huán)神經(jīng)網(wǎng)絡）：通過“記憶單元”處理序列數(shù)據(jù)（如LSTM用門控機制緩解長期依賴），但因串行計算效率低。Transformer：基于自注意力機制（Multi-HeadAttention）實現(xiàn)并行序列建模，BERT（雙向預訓練）、GPT（自回歸生成）是其典型應用。第四章自然語言處理技術(shù)4.1語言表示與預處理分詞技術(shù)：中文常用“正向最大匹配”（詞典匹配），英文常用“子詞分割”（如BPE拆分rareword）。詞向量：從One-Hot（維度災難）到Word2Vec（語義相似性），再到ELMo（動態(tài)上下文感知），實現(xiàn)從“靜態(tài)表示”到“動態(tài)表示”的跨越。4.2核心任務與模型文本分類：情感分析（如用BERT微調(diào)判斷影評正負）、新聞分類（TextCNN提取局部特征）。序列標注：命名實體識別（NER，如BiLSTM+CRF識別“北京”為地名）、詞性標注。生成任務：機器翻譯（Transformer端到端）、文本摘要（GPT-3生成關(guān)鍵信息），評估用BLEU（機器翻譯）、ROUGE（摘要）。第五章計算機視覺技術(shù)5.1圖像基礎與預處理圖像表示：RGB三通道（像素值0-255）、分辨率（如224×224適配ResNet輸入）。數(shù)據(jù)增強：翻轉(zhuǎn)（水平/垂直）、裁剪（隨機截?。?、歸一化（像素值縮放到[-1,1]），提升模型泛化。5.2視覺任務與模型圖像分類：ImageNet競賽推動模型演進（VGG→ResNet→EfficientNet，追求“精度-效率”平衡）。目標檢測：兩階段（FasterR-CNN先提名再分類）、一階段（YOLO直接回歸坐標與類別），依賴anchor機制（預設候選框）與NMS（非極大值抑制）。圖像分割：語義分割（FCN將全連接層替換為卷積，實現(xiàn)像素級分類）、實例分割（MaskR-CNN在檢測基礎上輸出掩碼），評價用mIoU（平均交并比）。第六章人工智能倫理與應用6.1倫理與安全挑戰(zhàn)數(shù)據(jù)隱私：GDPR要求用戶數(shù)據(jù)“最小化采集”，聯(lián)邦學習（多機構(gòu)聯(lián)合訓練不共享原始數(shù)據(jù)）是主流解決方案。安全風險：對抗樣本（FGSM添加噪聲誤導模型）、模型竊取（黑盒攻擊提取參數(shù)），防御需結(jié)合對抗訓練與模型蒸餾。6.2行業(yè)應用實踐金融：智能風控（XGBoost做信用評分）、量化交易（LSTM預測股價）。醫(yī)療：影像診斷（ResNet識別肺癌結(jié)節(jié)）、輔助問診（BERT分析病歷生成診斷建議）。制造：缺陷檢測（YOLO識別產(chǎn)線次品）、預測性維護（LSTM分析傳感器數(shù)據(jù)預警故障）。第七章備考策略與真題解析7.1考點梳理核心概念：牢記AI發(fā)展里程碑（圖靈測試、Transformer發(fā)布）、技術(shù)定義（如監(jiān)督學習、自注意力機制）。算法原理：理解線性回歸（最小二乘法）、CNN（卷積計算過程）、Transformer（注意力分數(shù)計算）的數(shù)學邏輯。應用場景：區(qū)分NLP（文本）、CV（圖像）、RL（交互）在各行業(yè)的典型落地（如醫(yī)療影像用CV，金融風控用ML）。7.2真題分析選擇題：“以下屬于無監(jiān)督學習的是？A.邏輯回歸B.K-meansC.DQND.BERT”解析：K-means是聚類（無監(jiān)督），選B。簡答題：“簡述Transformer的核心創(chuàng)新點”解析：①自注意力機制（并行捕捉序列依賴）；②位置編碼（補充序列順序信息）；③多層前饋網(wǎng)絡+殘差連接（增強表達能力）。案例分析：“某銀行風控數(shù)據(jù)存在類別不平衡（欺詐樣本僅1%），如何優(yōu)化模型？”解析：數(shù)據(jù)層面（SMOTE過采樣欺詐樣本）、算法層面（代價敏感學習，提高欺詐樣本權(quán)重）、評估層面（用F1而非準確率）。7.3復習方法分層學習：基礎概念（思維導圖梳理）、算法原理（推導公式+代碼復現(xiàn)，如用PyTorch寫簡單CNN）、應用（結(jié)合行業(yè)案例記憶）。工具輔助：Anaconda搭建環(huán)境，用TensorFlow/PyTorch復現(xiàn)經(jīng)典模型（如LeNet、Word2Vec）。模擬訓練：限時完成真題，分析錯題的“知識點漏洞”（如混淆監(jiān)督/無監(jiān)督任務），