课程的核心目标：

- AI是什么？
- AI能做什么？
- AI最擅长什么类型的任务？
- AI怎么做决策？
- 企业为什么需要AI战略？

导航

Machine Learning 机器学习

> 最常见的机器学习类型：
> 人工智能中最重要的概念是机器学习，这包括监督学习，也就是学习如何从A到B，也就是从输入到输出的映射（监督学习）
> 而数据，能使它有良好的表现。

例子：
- 用于构建垃圾邮件筛选器的AI：input（email）——output（0/1）
- 语言识别：input（audio音频）——文本
- 机器翻译：英语——中文
- 在线广告：input（广告信息）——output（click？是否点击）
- 自动驾驶：图像/雷达信息等——识别其他汽车

在这个阶段，数据多多益善。

Data 数据

数据，数据集

数据可以是图片、表格、数字、文字等等
例子：图像训练（是否）、用户行为（购买与否）、机器预防维护。
目前网络上有大量的公开数据，可以自行下载

生成式AI主要是非结构数据：比如文本、图像、音频
结构化数据

人工智能术语

机器学习（Machine learning）：机器学习是让计算机能够在不被明确编程的情况下学习的研究领域

——通常会产生一个软件，给定a，输出b（典型：广告）
- **机器学习简单来说，就是不需要人一条条给他写死规则，而是通过喂数据给机器，让他从中分析出一套规律，进而学会完成任务的一种方法。就是用数据教会机器做事，比如判断一张图片是不是猫，而不是人来告诉他 有猫耳朵的动物就是猫。**
- **机器学习是指我们不再手动给计算机写规则，而是把大量数据喂给它，让它自己找出规律，从而学会完成某个任务。这种靠数据训练出来的能力，就叫机器学习。
- **机器学习就是用数据教计算机自己“总结经验”，比如看多了猫的图片后，它就能自己分辨出猫长什么样。

数据科学（Data science）：数据科学是从数据中提取知识和洞察的学科

——输出通常是一套幻灯片，演示文稿，总结结论供高管采取业务行动/总结结论供产品团队决定如何改进网站。
- 拿做饭比喻：数据是原材料，数据科学是厨师，统计学、编程、可视化是工具；统计学是菜谱，编程是炊具，可视化是摆盘。
📦 你有一堆数据，比如：

- 顾客的购买记录
- 每天的温度变化
- 每条视频的点赞数和评论数

如果你**只是看到这些数字**，那什么都不会发生。但如果你能“读懂”它们，你就能从里面提炼出**有价值的结论**：

- 哪种顾客最容易买单？→（这叫**洞察消费者行为**）
- 什么天气下更容易卖冷饮？→（这叫**提取规律**）
- 哪类视频点赞最高？→（这叫**分析内容效果**）

这个**“把看似杂乱的数据变成有价值的信息”**的过程，就是数据科学在做的事！

深度学习（Deep learning）：别名，神经网络。

- 深度学习是机器学习的一种，使用“神经网络”来自动提取特征、解决复杂任务的技术。
- 神经网络：模仿人脑神经元连接方式的一种算法结构。
它由一层层“节点”组成，数据从输入层开始，一层层经过加工，最后输出结果。
🔁 多层结构 → 就是“深层” → 所以叫“深度”学习（deep learning）

机器学习的能力与局限

can do 简单的事
cannot do 复杂（自动驾驶，行人挥手的含义——大量数据，意图）

ai应用更适合在简单且高质量的环境中；
而如果像是医院中x图像，技师处于某种原因让病患躺着，斜侧等不同姿势拍片，就会导致在高质量环境中训练出来的ai无法判断。

深度学习非技术性解析

多个因素叠加，共同影响最后的一个结果

比如卖衣服
质量、价格、产品、营销——销售额。而中间的过程，有不同的指向和方案，就是神经元结合在一起的神经网络。

深度学习：给定输入A+输出B，它自己会弄清楚中间的所有东西。
喂 大量的数据 A， 有需求的B