# 背景
如果是打工这类线性收入，一旦身体原因或某些因素停止付出时间，就会导致无法获取收入，这种结构是不健康的，对未来的保障性太弱了

# 被动收入体系

# 个人能力独特性
即团队中无可替代的能力是？
1. AI前沿投入；

2. 英语阅读及沟通？？？

3. 开源方面？

# 好公司特征
1. 前景好；
2. 半年或一年会匹配个人的收入增加；
3. 做的事情值得；

被动收入体系

# 
Sub-Agents

# 思想
Sub-Agents（子代理）  的核心思想是：一个复杂任务可以拆解给多个专职角色。

Sub-Agents

# 背景
如何让别人更懂你的问题的一些思考

# 技巧
1. 简化问题使你更有可能得到有用的答案
2. 描述问题症状而非你的猜测
3. 界定一下你的问题，使专家花在辨识你的问题和回答所需要付出的时间减到最少
4. 最重要的是，标题：目标+差异描述

关于提问技巧



---

## 一、总体包含关系（从大到小）

**人工智能（AI） ⊃ 机器学习（ML） ⊃ 深度学习（DL） ⊃ 多层神经网络（DNN）**

可以理解为一层一层“缩圈”：

* **人工智能**：目标和愿景
* **机器学习**：实现智能的重要方法
* **深度学习**：机器学习中的一类强方法
* **多层神经网络**：深度学习的核心模型结构

---

## 二、每一层分别是什么、起什么作用

### 1️⃣ 人工智能（Artificial Intelligence，AI）

**是什么**

* 一个**总目标/总概念**
* 关注的是：**机器能不能像人一样“智能地做事”**

**核心问题**

* 能否推理？
* 能否决策？
* 能否理解、感知、创作？

**作用**

* 定义“要让机器做到什么程度”
* 包含规则系统、搜索算法、专家系统、机器学习等多种技术路径

📌 **AI 不等于机器学习**

> 早期 AI（如下棋、专家系统）并不依赖学习数据

---

### 2️⃣ 机器学习（Machine Learning，ML）

**是什么**

* AI 的一种**实现手段**
* 让机器**从数据中学习规律，而不是人工写死规则**

**核心思想**

> 给数据 → 找规律 → 用规律做预测 / 决策

**常见类型**

* 监督学习（有标签）
* 无监督学习（无标签）
* 强化学习（试错 + 奖励）

**作用**

* 让 AI 具备 **“自我改进”能力**
* 广泛用于预测、分类、推荐、风控等任务

📌 **一句话**

> AI 是目标，机器学习是“让机器变聪明的方法之一”

---

### 3️⃣ 深度学习（Deep Learning，DL）

**是什么**

* 机器学习中的一个**重要分支**
* 特点是：**使用多层神经网络**

**解决了什么问题**

* 传统 ML 依赖人工特征工程
* 深度学习可以：

  * 自动提取特征
  * 表示复杂模式
  * 处理非结构化数据（图像、语音、文本）

**典型应用**

* 图像识别
* 语音识别
* 自然语言处理
* 大模型（如 ChatGPT）

📌 **一句话**

> 深度学习 = 用“更深的模型”解决“更复杂的问题”

---

### 4️⃣ 多层神经网络（Deep Neural Network，DNN）

**是什么**

* 深度学习的**核心模型结构**
* 由：

  * 输入层
  * 多个隐藏层
  * 输出层
    组成

**核心能力**

* 每一层学习不同层级的特征：

  * 低层：边缘、词向量
  * 中层：形状、语义
  * 高层：概念、意图

**作用**

* 提供深度学习的“算力载体”
* 是 CNN、RNN、Transformer 等模型的基础

📌 **一句话**

> 没有多层神经网络，就没有现代深度学习

---

## 三、一句话对比总结（非常好记）

| 概念     | 本质  | 作用         |
| ------ | --- | ---------- |
| 人工智能   | 目标  | 让机器表现出智能行为 |
| 机器学习   | 方法  | 让机器从数据中学习  |
| 深度学习   | 强方法 | 自动学习复杂特征   |
| 多层神经网络 | 模型  | 深度学习的基础结构  |

---

## 四、类比理解（通俗版）

* **人工智能**：想造一个“会思考的人”
* **机器学习**：教这个人通过经验学习
* **深度学习**：给他一套“高度发达的大脑结构”
* **多层神经网络**：这套大脑里的神经连接方式

---

## 五、一句终极总结（可直接放 PPT）

> **人工智能是目标，机器学习是实现目标的重要路径；
> 深度学习是机器学习中最强的一类方法，而多层神经网络是深度学习的核心基础。**



人工智能核心概念


---

# 人工智能主要任务与应用速览

人工智能（AI）的核心任务可归纳为以下几大类：

* **分类（Classification）**
* **回归（Regression）**
* **计算机视觉（Computer Vision, CV）**
* **自然语言处理（Natural Language Processing, NLP）**
* **语音识别与生成**
* **推荐系统**
* **决策优化**
* **人工智能生成内容（AIGC）**

本节重点介绍：**分类、回归、计算机视觉、自然语言处理**

---

## 一、分类（Classification）

### 1. 什么是分类？

> **分类**是将输入数据划分到**预先定义好的离散类别**中的机器学习任务。

* **输入**：特征（Feature）
* **输出**：离散标签（Label）
* **核心目标**：学习**决策边界**

📌 示例：
西瓜 → 颜色 / 瓜蒂 / 敲声 → 判断 **好瓜 / 坏瓜**

---

### 2. 学习方式

#### （1）有监督学习

* 数据包含：**输入特征 + 输出标签**
* 学习目标：特征 → 标签的映射关系

📌 应用：

* 分类任务
* 回归任务

#### （2）无监督学习

* **没有标签**
* 发现数据内部结构与模式

📌 应用：

* 聚类分析
* 异常检测
* 用户画像

---

### 3. 有监督分类任务类型

#### （1）二分类

* 输出类别：2 个（0 / 1）
* 示例：

  * 垃圾邮件 vs 正常邮件
  * 是否违约

#### （2）多分类

* 输出类别：多个互斥类别
* 示例：

  * 新闻分类（体育 / 政治 / 娱乐）

#### （3）多标签分类

* 一个样本可属于**多个类别**
* 示例：

  * 新闻同时属于「政治 + 国际 + 经济」

---

### 4. 分类的典型应用

#### （1）自然语言处理

* 新闻分类
* 情感分析（正 / 负 / 中性）
* 垃圾邮件识别

#### （2）计算机视觉

* 交通场景识别
* 安防监控
* 工业缺陷检测

#### （3）生物信息学

* 物种进化分类
* 疾病相关基因分类

#### （4）医疗领域

* 症状 → 疾病分类
* 医学影像（良性 / 恶性）

#### （5）金融领域

* 个人信用评级
* 企业信用评估

---

## 二、回归（Regression）

### 1. 什么是回归？

> **回归**是通过输入特征预测**连续数值**输出的任务。

* **输出是连续值**
* 与分类（离散标签）本质不同

📌 示例：

* 房价预测
* 气温预测
* 销量预测

---

### 2. 回归 vs 分类（核心对比）

| 对比项  | 分类    | 回归    |
| ---- | ----- | ----- |
| 输出   | 离散类别  | 连续数值  |
| 数学性质 | 有限    | 无限    |
| 示例   | 好 / 坏 | 500 万 |

---

### 3. 回归类型

#### （1）线性回归

* 拟合一条直线
* 假设变量线性相关

#### （2）非线性回归

* 处理复杂非线性关系
* 曲线拟合

#### （3）机器学习回归

* 决策树回归
* 支持向量回归（SVR）

#### （4）深度学习回归

* 神经网络
* 端到端建模
* 复杂非线性问题

---

### 4. 回归的应用

#### （1）金融

* 股票价格预测
* 基金收益分析

#### （2）医疗

* 疾病风险预测
* 预后评估

#### （3）营销

* 销量预测
* 客户忠诚度预测
* 广告投放优化

---

## 三、计算机视觉（Computer Vision, CV）

### 1. 什么是计算机视觉？

> **计算机视觉**研究如何让机器“看懂”图像和视频。

目标：

* 理解图像内容
* 支持自动决策

📌 本质：
从像素 → 特征 → 抽象 → 语义理解

---

### 2. 基本原理

* 模拟人类视觉系统
* 深度学习（CNN / Transformer）
* 多层特征抽象

---

### 3. 主要视觉任务

#### （1）图像分类

* 整张图一个标签

#### （2）目标检测与定位

* 是什么 + 在哪里

#### （3）语义分割

* 每个像素一个类别

#### （4）实例分割

* 区分不同实例对象

#### （5）关键点检测

* 人体关节、物体角点

---

### 4. 发展简史

* 早期：模式识别
* 1980s：Marr 视觉理论
* 2006：CNN（LeNet / AlexNet）
* ResNet：解决深度训练问题
* 2020：Vision Transformer（ViT）

---

### 5. 计算机视觉应用

* 农业：病虫害识别
* 工业 / 制造：缺陷检测、机器人导航
* 医疗：肿瘤识别
* 金融：身份验证、签名识别

---

## 四、自然语言处理（NLP）

### 1. 什么是自然语言处理？

> **NLP**：让计算机理解和生成人类自然语言。

核心任务：

* **自然语言理解（NLU）**
* **自然语言生成（NLG）**

---

### 2. NLP 发展范式

1. 统计语言模型
2. 神经语言模型
3. 预训练语言模型
4. 大规模语言模型（LLM）

---

### 3. 典型 NLP 应用

#### （1）金融

* 智能客服
* 舆情分析
* 指令分类

#### （2）医疗

* 病历分析
* 疾病预测

#### （3）教育

* 智能辅导
* 自动批改作业

#### （4）娱乐

* 聊天机器人
* 游戏 NPC
* 自动字幕

#### （5）通用场景

* 机器翻译
* 招聘简历筛选
* 定向广告

---

