人工智能技术考试复习讲义

人工智能技术考试复习讲义第一章人工智能技术基础1.1定义与发展脉络人工智能（AI）是模拟、延伸和扩展人类智能的技术体系，涵盖感知、推理、决策与自主学习能力。其发展历经三次浪潮：符号主义阶段（20世纪50-80年代）：以逻辑推理为核心，代表成果为专家系统（如MYCIN医疗诊断系统），但受限于规则的穷尽性。连接主义复兴（20世纪90年代-21世纪初）：以神经网络为核心，反向传播算法（BP）推动多层感知机发展，但因算力与数据瓶颈陷入低潮。深度学习爆发（2010年至今）：大数据、GPU算力与Transformer等模型突破，催生AlphaGo、GPT系列等里程碑成果。1.2核心要素：数据·算法·算力数据：AI的“燃料”，分为结构化（表格、数据库）与非结构化（图像、文本）。数据质量（标注精度、噪声率）、规模（百万级样本支撑大模型训练）直接影响模型效果。算法：从传统统计学习（如SVM）到深度学习（如Transformer），算法需平衡泛化能力（对新数据的适应力）与效率（训练/推理速度）。算力：GPU（CUDA架构）、TPU（谷歌定制芯片）与分布式计算（如Kubernetes集群），支撑模型从“小而精”（ResNet）到“大而全”（GPT-4）的演进。第二章机器学习核心技术2.1范式分类与典型场景机器学习按监督信号分为三类：监督学习：含标签数据训练，目标为“预测”（如逻辑回归做欺诈检测、随机森林做客户分群）。无监督学习：无标签数据训练，目标为“发现模式”（如K-means聚类用户画像、PCA降维可视化）。强化学习：智能体通过与环境交互“试错”优化策略（如DQN玩Atari游戏、PPO训练机器人行走）。2.2训练与评估关键训练流程：数据划分为训练集（70%）、验证集（20%）、测试集（10%）；损失函数（分类用交叉熵、回归用MSE）引导模型优化；优化器（Adam、SGD）加速收敛。评估指标：分类任务看F1值（精确率+召回率的调和平均），回归任务看RMSE（均方根误差），聚类任务看轮廓系数（衡量簇内紧凑度与簇间分离度）。过拟合应对：数据层面（增广、降噪）、模型层面（L1/L2正则化、Dropout）、训练层面（早停法）。第三章深度学习技术体系3.1神经网络基础感知机：单神经元模型，通过“权重+激活函数（如Sigmoid）”实现线性分类，但无法解决异或（XOR）问题。多层感知机（MLP）：堆叠隐藏层突破线性限制，但易因梯度消失（反向传播时梯度逐层衰减）导致深层网络训练失效。激活函数：ReLU（缓解梯度消失）、GELU（结合随机正则，适配Transformer）是当前主流选择。3.2经典网络结构CNN（卷积神经网络）：通过局部感知（感受野）与权值共享（减少参数），高效处理图像（如ResNet用残差连接解决深层训练退化）。RNN（循环神经网络）：通过“记忆单元”处理序列数据（如LSTM用门控机制缓解长期依赖），但因串行计算效率低。Transformer：基于自注意力机制（Multi-HeadAttention）实现并行序列建模，BERT（双向预训练）、GPT（自回归生成）是其典型应用。第四章自然语言处理技术4.1语言表示与预处理分词技术：中文常用“正向最大匹配”（词典匹配），英文常用“子词分割”（如BPE拆分rareword）。词向量：从One-Hot（维度灾难）到Word2Vec（语义相似性），再到ELMo（动态上下文感知），实现从“静态表示”到“动态表示”的跨越。4.2核心任务与模型文本分类：情感分析（如用BERT微调判断影评正负）、新闻分类（TextCNN提取局部特征）。序列标注：命名实体识别（NER，如BiLSTM+CRF识别“北京”为地名）、词性标注。生成任务：机器翻译（Transformer端到端）、文本摘要（GPT-3生成关键信息），评估用BLEU（机器翻译）、ROUGE（摘要）。第五章计算机视觉技术5.1图像基础与预处理图像表示：RGB三通道（像素值0-255）、分辨率（如224×224适配ResNet输入）。数据增强：翻转（水平/垂直）、裁剪（随机截取）、归一化（像素值缩放到[-1,1]），提升模型泛化。5.2视觉任务与模型图像分类：ImageNet竞赛推动模型演进（VGG→ResNet→EfficientNet，追求“精度-效率”平衡）。目标检测：两阶段（FasterR-CNN先提名再分类）、一阶段（YOLO直接回归坐标与类别），依赖anchor机制（预设候选框）与NMS（非极大值抑制）。图像分割：语义分割（FCN将全连接层替换为卷积，实现像素级分类）、实例分割（MaskR-CNN在检测基础上输出掩码），评价用mIoU（平均交并比）。第六章人工智能伦理与应用6.1伦理与安全挑战数据隐私：GDPR要求用户数据“最小化采集”，联邦学习（多机构联合训练不共享原始数据）是主流解决方案。安全风险：对抗样本（FGSM添加噪声误导模型）、模型窃取（黑盒攻击提取参数），防御需结合对抗训练与模型蒸馏。6.2行业应用实践金融：智能风控（XGBoost做信用评分）、量化交易（LSTM预测股价）。医疗：影像诊断（ResNet识别肺癌结节）、辅助问诊（BERT分析病历生成诊断建议）。制造：缺陷检测（YOLO识别产线次品）、预测性维护（LSTM分析传感器数据预警故障）。第七章备考策略与真题解析7.1考点梳理核心概念：牢记AI发展里程碑（图灵测试、Transformer发布）、技术定义（如监督学习、自注意力机制）。算法原理：理解线性回归（最小二乘法）、CNN（卷积计算过程）、Transformer（注意力分数计算）的数学逻辑。应用场景：区分NLP（文本）、CV（图像）、RL（交互）在各行业的典型落地（如医疗影像用CV，金融风控用ML）。7.2真题分析选择题：“以下属于无监督学习的是？A.逻辑回归B.K-meansC.DQND.BERT”解析：K-means是聚类（无监督），选B。简答题：“简述Transformer的核心创新点”解析：①自注意力机制（并行捕捉序列依赖）；②位置编码（补充序列顺序信息）；③多层前馈网络+残差连接（增强表达能力）。案例分析：“某银行风控数据存在类别不平衡（欺诈样本仅1%），如何优化模型？”解析：数据层面（SMOTE过采样欺诈样本）、算法层面（代价敏感学习，提高欺诈样本权重）、评估层面（用F1而非准确率）。7.3复习方法分层学习：基础概念（思维导图梳理）、算法原理（推导公式+代码复现，如用PyTorch写简单CNN）、应用（结合行业案例记忆）。工具辅助：Anaconda搭建环境，用TensorFlow/PyTorch复现经典模型（如LeNet、Word2Vec）。模拟训练：限时完成真题，分析错题的“知识点漏洞”（如混淆监督/无监督任务），