学习能力是智能的重要标志之一。机器学习是人工智能的核心研究课题之一。
为方便记忆和回顾，根据个人学习，总结人工智能基础知识和思维导图形成系列。
学习的概念
机器学习的概念
直观上理解，机器学习（Machine Learning，ML）是研究计算机模拟人类的学习活动，获取知识和技能的理论和方法，改善系统性能的学科。
机器学习的过程
因为计算机系统中“经验‘通常以数据的形式存在，所以机器要利用经验，就必须对数据 进行分析。因此其过程可以简述如下：
（1） 按学习任务分类
回归、分类、聚类是机器学习最常见的三大任务。
分类就是对数据分进行分类，把它们分到已知的每一个类别。
聚类就是对未知类别的样本进行划分，将它们按照一定的规则划分成若干个类族，把相似(距高相近)的样本聚在同一个类簇中。
降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中，用一个相对低维的向量来表示原始高维度的特征。
密度估计是是概率统计学的基本问题之一，就是由给定样本集合求解随机变量的分布密度函数问题。大多数人已经熟悉了其中一种常用的密度估计技术：直方图。
排序学习是信息检索和搜索引擎研究的核心问题之一，通过机器学习方法学习一个分值函数对待排序的候选进行打分，再根据分值的高低确定序关系。
主要算法有：
（2）按学习方式分类
有监督学习指利用一组带标签的数据（已知输出的数据）训练学习模型，然后用经训练的模型对未知数据进行预测。
无监督学习根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题。
强化学习（Reinforcement Learning，RL）又称为再励学习、评价学习，是一种通过模拟大脑神经细胞中的奖励信号来改善行为的机器学习方法。
（3） 按学习模型划分
模型
简单说明
子模型
典型算法
Geometric 几何
采用线、面、距离或流形等几何模型构建学习算法
Line 线
Linear Regression 线性回归
Plane 面
SVM 支持向量机
Distance 距离
k-NN k近邻
Manifold 流形
Isomap 等距映射
Logical逻辑
采用逻辑模型构建学习算法
Logic逻辑
Inductive Logic Program归纳逻辑编程
Rule规则
Network 网格
采用网络模式构建机器学习算法
Shallow 浅层
Perceptron 感知机
Deep 深层
CNN 卷积神经网络
Probabilistic 概率
Bayes 贝叶斯
Bayesian Network 贝叶斯网络
Generative 生成
Probabilistic Program 概率规划
Statistic 统计
Linear Regression 线性回归
其他分类方法
回归、分类、排序算法都属于有监督的学习。在实际应用中，机器学习主要以有监督的学习为主。
有监督的学习的一个典型特征为：拿已知结果的数据对模型进行训练。
单层感知机、CNN和RNN网络模型也都属于有监督的模型。
线性回归是最简单的回归算法。
线性回归假定输入变量（X）和单个输出变量（Y）之间呈线性关系。即
其中，x=(x1,x2,…,xn) 为n维输入变量，w=(w1,w2,…,wn)为线性系数，b是偏置项。目标是找到系数w的最佳估计，使得预测值Y的误差最小。
通常使用最小二乘法估计w和b，即：使样本的y值与y=wx+b预测的值之间的差的平方和最小。
像线性回归一样，多项式回归使用多项式变量x和y之间的关系，可以是二阶多项式、三阶多项式，也可以是n阶多项式。
比如：
支持向量机是最受欢迎、讨论最广的机器学习分类方法之一。是一种线型分类器。
基本原理：
在二维空间内，超平面可被视为一条直线，假设所有的输入点都可以被该直线完全分开， 两类边界由超平面式g(x)决定。
SVM的目标：找到一组分割系数w、b，使一个超平面能够对数据x进行最佳分割，即能将两类正确分开，且分类间隔最大。
主要优点：
主要缺点：
k-最近邻（K-NN，k-NearestNeighbor）可用于分类，也可用于回归。 K-NN分类是最简单的多分类技术。
K-NN基本原理：
K-NN分类的基本概念是找到与新样本距离最近的K个训练样本(已确定分类)。 新样本从K个已确定分类的邻居获得分类标签。
主要过程：
1. 计算训练样本和测试样本中每个样本点的距离 + 常见的距离度量 - 欧氏距离（最常见） - 曼哈顿距离 - 明氏距离 - 切氏距离 2. 对计算所得所有距离值进行排序 3. 对每个测试样本点选前k个最小距离的训练样本 4. 根据这k个训练样本的标签进行投票，得出测试样本点的预测分类
朴素贝叶斯也称为简单贝叶斯，是一种十分简单的分类算法。 朴素贝叶斯分类器的基础是贝叶斯定理。
以特征=咳嗽，类别=肺炎为例：
实际情况中，特征会有多个，比如肺炎可能具有咳嗽、疼痛、流鼻涕、鼻塞等多个特征。假设特征相互独立，就可以用全概率公式计算多个特征时的概率。因此，朴素贝叶斯模型假设特征之间相互独立。
朴素贝叶斯分类算法的特点：
决策树（Decision Tree）是一种基本的分类与回归方法，此处主要指分类的决策树。
决策树算法的基本原理：
集成学习是将多个分类器集成在一起的技术。可以用与回归，也可以用于分类。
集成学习用于分类的基本思路：
最流行的集成分类技术包括：Bagging算法、随机森林算法、Boosting算法
Bagging算法
套袋（Bagging）算法是一种最简单的集成学习方法。
流程：
Bagging算法的分类器可以选用SVM、决策树、DNN等。
随机森林算法
随机森林是当今最流行的套袋集成技术，由许多决策树分类器组成，并利用 Bagging算法进行训练。
随机森林算法基本思路：
过程：
随机森林的特点：
所以在深度学习出现之前一直比较流行。并且经常会成为很多分类问题的首选方法。
Boosting算法
Boosting算法是一种框架算法。
它首先会在对训练集进行转化后重新训练出分类器，即通过对样本集进行操作获得样本子集，然后用弱分类算法在样本子集上训练生成一系列的分类器，从而对当前分类器不能很好分类的数据点实现更好的分类。
Boosting主要算法有:
AdaBoost是一种迭代算法。
Boosting算法与Bagging算法的不同之处：
Boosting算法的主要应用领域包括模式识别、计算机视觉等，其可以用于二分类场景，也可以用于多分类场景。
聚类、降维算法都是无监督学习算法
聚类算法根据数据的特征，将数据分割为多个集合，每个集合称为一个聚类。
k-均值聚类算法将对象根据它们的特征分割为k个聚类。
k-means聚类算法中k表示为样本分配的聚类的数量。
k-means聚类算法是一种迭代求解的算法，基本思路：
传统机器学习一般善于处理小规模数据问题。对于大规模数据，尤其对于图像类型的数据，人工很难获得数据特征以用于对图像进行分类，因此长期以来，传统机器学习产生的机器智能是十分有限的。直到深度学习出现之后才得以改观。
深度学习作为机器学习算法中的一个新兴技术，通常与深度神经网络有关联，是一种特殊的机器学习算法。
与感知机相比：多层感知器实际是只含有一层隐藏层节点的学习模型。
本质是对数据进行分层特征表示，实现将低级特征通过神经网络来进一步抽象 成高级特征。
以辛顿为首的新联结主义者强调，神经网络深度优于宽度。
强化学习（Reinforcement Learning，RL）又称为再励学习、评价学习，是一种通过模拟大脑神经细胞中的奖励信号来改善行为的机器学习方法。
强化学习的目标是学习一个最优策略，以使智能体（人、动物或机器人）通过接收奖励信号并将其作为回报，进而获得一个整体度量的最大化奖励。
个人总结，部分内容进行了简单的处理和归纳，如有谬误，希望大家指出， 持续修订更新中。
AIGC（人工智能生成内容）是指利用人工智能技术自动生成文本、图像、音频、视频等多种形式的内容。AIGC的底层技术主要包括以下几个方面：机器学习：这是AIGC的核心技术之一，包括监督学习、无监督学习和强化学习等。通过大量的数据训练，机器学习模型能够学习到生成内容的规律。深度学习：深度神经网络，如卷积神经网络（CNN）、循环神经网络（RNN）和Transformer网络等，是实现AIGC的关键技术。
如何使用Python进行人工智能和机器人开发Python已经成为人工智能和机器人开发的主要编程语言之一，凭借其简洁的语法、强大的库支持和广泛的社区资源，Python为开发者提供了一个高效且易于学习的平台。在这篇文章中，我们将深入探讨如何使用Python进行人工智能（AI）和机器人开发，并通过实际代码示例展示核心技术和应用。1. Python在人工智能中的应用人工智能（AI）领域的核心任务包括机器学
简介在程序员编程的过程中，产生Bug是一件稀松平常的事情，以前在编码的过程中提前找出Bug，需要通过单元测试、CodeReview等各种方式。当今，人工智能技术的发展给软件开发和测试带来了许多机会。利用人工智能技术，可以开发出自动化的 bug 检测工具，从而提高软件质量和可靠性。除了Bug 检测，人工智能甚至还能根据需求说明，自动编写代码，这都是目前基于大语言模型的编程工具能做到的事情。但是在使用
有监督学习与无监督学习。
# 机器学习与人工智能导论在学习机器学习（ML）与人工智能（AI）的过程中，许多新手可能会感到迷茫。本文旨在为你提供一条清晰的学习路径，并具体讲解实现过程中的每一步，以便你能更好地理解和掌握这一领域的基础知识。## 学习流程概述在进行机器学习和人工智能的学习之前，我们首先需要构建一个清晰的学习流程。下表展示了整个学习过程的主要步骤。| 步骤 | 描述
人工智能导论1）人工智能：让机器像人一样具有一些能力，扩展人的智慧。2）机器学*： 不显式编程地赋予计算机能力的研究领域。3）AIOps： Artificial Intelligence for IT Operations，智能化运维，将人工智能应用于运维领域，基于已有的运维数据（日志、监控信息、应用信息等），通过机器学*的方式来进一步解决自动化运维没办法解决的问题。4）常用算法和学*库：有监督学
机器人学研究的问题操作臂正运动学（第三章）操作臂逆运动学（第四章）对速度、静力、奇异性的分析动力学轨迹生成线性位置控制、非线性位置控制、力控制编程和仿真何为操作臂正运动学？正运动学是计算工具坐标系（机械臂末端执行器上的坐标系）相对于基坐标系的位置姿态。这个过程还可以描述为从关节空间描述到笛卡尔空间（又称任务空间或者操作空间）的操作臂位置表示。何为操作臂逆运动学？逆运动学是通过给定的操作臂末端执行器
1、概论 1.1人工智能介绍①人工智能1956年诞生；1997年IBM公司研发的深蓝超级计算机国际象棋世界冠军卡斯帕罗夫；2017年阿尔法狗击败中国世界围棋冠军柯洁②人工智能的三步走战略：同步（2020）、突破（2025）、领先（2030）③SIRI、指纹识别、人脸识别、无人驾驶等都涉及到了AI④AI就是让机器实现原本只有人类才能完成的任务⑤人工智能分为三种形态1.弱：没有自主意识，只能完成程序
![机器学习机器学习是从数据中自动分析获得规律（模型），并利用规律对未知数据进行预测数据处理:首先将
在人工智能的发展下，它的可视化边界也越来越模糊，很多人包括部分业界人士也是傻傻分不清关于机器人和人工智能之间的联系与区别
一、人工智能--在机器实现智能 人工智能（Artificial intelligence）简称AI。是一门研究如何构造智能机器（智能计算机）或智能系统，使它能模拟、延伸、扩展人类智能的计算机学科。通俗的来说，人工智能就是要研究如何使机器具有能听、能说、能看、会写、能思考、会学习、能适应环境变化、能解决面临的各种实际问题等功能的一门学科。人工智能即是用人工的方法在机器（计算机）上实现的智能。
自从AlphaGo赢了之后，人工智能就变得非常热门了。不过，大家在关注“智能”时，却很少把注意力放在“人工”上，似乎感觉上了人工智能之后，一切都能自动化了。其实，这份智能的背后有着大量的“人工”，还有相当多不能自动化的事情。这里的人工主要体现在两个方面：1. 数据准备现代的人工智能技术，或者说机器学习，其基本方法和N多年前的数据挖掘并没有什么太大的不同，也还是将大量数据喂给计算机用于训练模型，模型
人工智能编程教育机器人?说起小孩的学习一直都是家长们非常关心和重视的一件事情。很多的家长在培养孩子的学习方面也可以说是相当耐心的。会给孩子选择一些能够有利于孩子成长的课程。就拿现在很多的家长想要孩子去学习机器人编程的课程来说，有的家长对于人工智能编程教育机器人并不是很清楚，今天我们就一起来了解一下人工智能编程教育机器人? 教育机器人是以人为主导，以人工智能为呈现方式，以激发学生学习兴趣、培养
#include<bits/stdc++.h> using namespace std; const int maxn=5005; double S; int n; double v[maxn]; double w[maxn]; const unsigned int inf=~0U; typedef
工业智能机械人目前国际机器人界都在加大科研力度，进行机器人共性技术的研究，并朝着智能化和多样化方向发展。主要研究内容集中在以下10个方面： 1．工业机器人操作机结构的优化设计技术：探索新的高强度轻质材料，进一步提高负载/自重比，同时机构向着模块化、可重构方向发展。 2．机器人控制技术：重点研究开放式，模块化控制系统，人机界面更加友好，语言、图形编程界面正在研制之中。机器人控制器的标准化和网络化
2021世界机器人大会第一天线下主论坛——“领航峰会”群星璀璨，产、学、研各领域大咖齐聚首，共话巅峰，为机器人未来发展领航。峰会现场，中国科学院院士、清华大学人工智能研究院院长张钹上台发言，演讲主题为《人工智能与机器人》。以下为张钹院长演讲内容全文整理。大家好，我主要是搞人工智能的，二十多年前也搞过机器人，所以今天是从人工智能的角度谈机器人的问题，主要包括几个方面：机器人和人工智能的关系，也就是机
一、机器学习概述 1、机器学习的概念 心理学中对学习的解释是: 学习是指(人或动物)依靠经验的获得而使行为持久变化的过程。人工智能和机器学习领域的几位著名学者也对学习提出了各自的说法。 如Simon认为:如果一个系统能够通过执行某种过程而改进它的性能, 这就是学习。Minsky认为: 学习是在人们头
人工智能之智能机器人说到人工智能，可能我们大家都不会陌生吧!那么什么是人工智能呢？人工智能现如今发展如何呢？其实，人工智能(ArtificialIntelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。其实质是让机器或者
对比维度MySQLPostgreSQL性能读写性能优异稍逊但稳定事务一致性较弱（依赖隔离级别）强一致JSON 支持一般强大扩展性中高（自定义类型/函数）分布式能力TiDB 等衍生产品原生扩展支持学习曲线低稍高但值得适用场景Web、电商、CMS金融、分析、日志、微服务建议：MySQL：如果你的项目是传统Web应用、读多写少、团队熟悉MySQL、追求快速部署和主从复制的简单性。PostgreSQL。
本文详细解析AI接口交互中常用的MIME类型及其应用场景。JSON格式（application/json）是最主流的基础类型，适用于90%以上的AI交互；流式响应专用类型（如application/x-ndjson）支持实时输出；二进制/文件类类型（如图片、文档、音频）用于多媒体生成场景；通用类型（... ...