新手教学、科普与入门 · AI与编程基础 · 2025-07-16

AI 基础知识从-1到0.1:带你走进机器学习的世界

探索AI世界的入门指南,从基础概念到核心技术,助你轻松迈出机器学习第一步。

核心内容:

  1. AI、机器学习与深度学习的基本概念与区别
  2. 机器学习核心流程与关键技术解析
  3. 大模型的实际应用与行业案例

沿着 AI 的发展脉络,本系列文章从Seq2Seq到RNN,再到Transformer,直至今日强大的GPT模型,我们将带你一步步深入了解这些关键技术背后的原理与实现细节。无论你是初学者还是有经验的开发者,相信读完这个系列文章后,不仅能掌握Transformer的核心概念,还能对其在整个NLP领域中的位置有一个全面而深刻的认识。那就让我们一起开始这段学习之旅吧!

Embedding、向量、无监督学习、卷积、RNN、Transformer、PyTorch……当你意识到 AI 时代已经到来,决定迈出学习的第一步时,是否也和我一样被这些繁多的术语弄得无所适从、不知从何开始?

本文旨在以简明易懂的方式,梳理 AI 的基础概念,帮助读者零帧起手,顺利开启 AI 学习之旅。

之所以是 -1 开始是因为里面有部分我们高中学过的但已经被遗忘的知识。

人工智能、机器学习、深度学习与大模型

人工智能(AI):人工智能指的是计算机执行各种决策任务的能力合集,这些任务通常模拟人类智能,例如理解自然语言、识别图像、解决问题和进行推理。AI 的目标是开发能够自主学习和适应的系统,以提升效率和准确性。

机器学习(ML):机器学习是人工智能的一个子集,专注于如何让计算机基于数据做出决策。机器学习的主要目标是从现有的数据中发现模式和规律,并利用这些模式对未来的数据进行预测。

深度学习(DL):深度学习是机器学习的一个领域,利用称为“神经网络”的多层结构来处理复杂数据模式识别,相对于普通机器学习,尤其擅长图像识别、自然语言处理等任务。

模型就是机器学习、深度学习中从数据中学习到的、用于做预测或决策的规则集合,这个学习过程称之为训练,这些规则通过训练过程从历史数据中提取模式和关系,使模型能够在面对新的、未见过的数据时做出靠谱的预测或决策。

而大模型是指在深度学习中拥有大量参数(后面再解释何为参数)和复杂结构的模型,这些模型通常需要大量的数据和强大的计算资源来训练,能够处理更复杂的任务并理解更深层次的数据模式。

DeepSeek 的母公司幻方量化是中国头部量化对冲基金,其核心业务是通过算法模型进行证券投资,通俗讲就是根据过往公司的增长、营收、外部环境、政策变化等数据预测未来的股价,让计算机预测该投资谁,而 DeepSeek 是其开源的通用模型,人家不是玩票的,是用来赚真金白银的,这也是大模型的一个现实意义。

机器学习基础概念

机器学习的核心流程可以概括为三个阶段:

1.记忆:收集和准备数据

2.制定:构建和训练模型

3.预测:使用训练好的模型进行预测和决策

我们用一个例子来理解数据相关的几个核心概念,假设我们希望建立一个机器学习模型,根据房屋的各种属性(如面积、位置、卧室数量等)来预测房价。

数据、特征与标签

数据是用于训练和测试机器学习模型的原始信息。在预测房价的例子中,数据包含了关于不同房屋的信息以及它们对应的价格。

特征表示数据的属性或性质,也是另外一个经常会提到的概念,如果数据在表格中,那么特征就是表格的列。在房价预测数据集中,每个房屋有 5 个特征(面积、卧室数量、浴室数量、地段评分、房龄),我们成这个数据集得维度是 5,其实房价也是房子的一个特征,但我们把房价这个希望模型预测的目标变量称为标签。

另外还有个常用的概念——数据点,也称为样本(Sample)或实例(Instance),是在数据集中代表一个具体实体或观测的单个记录,简单来讲每一行代表一个数据点,每一列代表一个特征或标签。

线性回归

线性函数是指其图像在平面直角坐标系中呈现为一条直线的函数。其基本数学表达式为:f(x)=ax+b,其中 a 表示斜率,b 表示截距。

机器学习中的线性回归正是基于线性函数构建的模型,其核心是通过线性函数对输入特征和输出目标之间的关系进行建模,假设目标变量(标签,房价)与一个或多个特征之间存在线性关系:

-

:目标变量或者叫因变量,也就是预测值,在预测房价的例子中,目标变量是房价;

-

:自变量,也就是输入特征,房屋的各项属性,如面积、卧室数量、浴室数量等;

-

线性函数的斜率(slope),用于描述输入特征对预测值的贡献程度,因此被称为权重(weight);

大名鼎鼎的参数即权重与偏置,是模型学习和预测的关键要素。而DeepSeek 671B 满血版则指其模型拥有高达 6710 亿个权重与偏置,这一庞大的参数数量使模型能够捕捉更复杂的数据模式和关系,显著提升了模型的表达能力和预测精度。

线性回归根据现有的特征数据集,通过不断调整模型中的参数,拟合出一条最贴近数据分布趋势的直线,从而用于预测目标变量(标签)的数值。

也许经过复杂学习与训练后房价预测模型可以写成:

模型是否可靠很大程度上取决于关联特征数量与对应的权重调整,因此我们经常会听到算法同学戏称自己是调参工程师。

数据分类

在机器学习中,理解数据的类型和结构是至关重要的,根关注点不同数据有不同的分类方式

如果我们关注数据表中列的维度,根据特征中值的类型可以把数据分为

还记得标签和数据点的概念吗?表格中的一行数据记录称之为一个数据点,标签是指模型试图预测或分类的值,也就是说每个标签对应一个数据点的结果或类别。

如果我们关注数据表中行的维度,根据数据点是否包含标签可以把数据分为

很多初学者可能会有疑惑,怎么会存在没有标签的数据?其实这种数据才是常态,举个最简单的例子,我们需要细分网站客户群体。

我们有这些客户的特征数据,但并没有对应的标签——群体分类,需要通过算法自行发现。

监督学习与无监督学习

监督学习(Supervised Learning)是一种处理标签数据的机器学习分支,其目标是学习特征与标签之间的映射关系,以便在新数据上进行准确的预测。监督学习主要分为两类:

监督学习之所以被称为“监督”,主要因为模型在训练过程中有明确的标签作为指导,就像教师指导学生一样。标签为模型提供了学习的目标,使其能够理解和掌握输入特征与输出目标之间的关系,从而在新数据上实现准确的预测或分类。监督学习有几个优势:

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/neirongchuangzuo/2025071687941.html