编辑
2026-02-07
AI
00

目录

人工智能主要任务与应用速览
一、分类(Classification)
1. 什么是分类?
2. 学习方式
(1)有监督学习
(2)无监督学习
3. 有监督分类任务类型
(1)二分类
(2)多分类
(3)多标签分类
4. 分类的典型应用
(1)自然语言处理
(2)计算机视觉
(3)生物信息学
(4)医疗领域
(5)金融领域
二、回归(Regression)
1. 什么是回归?
2. 回归 vs 分类(核心对比)
3. 回归类型
(1)线性回归
(2)非线性回归
(3)机器学习回归
(4)深度学习回归
4. 回归的应用
(1)金融
(2)医疗
(3)营销
三、计算机视觉(Computer Vision, CV)
1. 什么是计算机视觉?
2. 基本原理
3. 主要视觉任务
(1)图像分类
(2)目标检测与定位
(3)语义分割
(4)实例分割
(5)关键点检测
4. 发展简史
5. 计算机视觉应用
四、自然语言处理(NLP)
1. 什么是自然语言处理?
2. NLP 发展范式
3. 典型 NLP 应用
(1)金融
(2)医疗
(3)教育
(4)娱乐
(5)通用场景

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

本文作者:lixf6

本文链接:

版权声明:本博客所有文章除特别声明外,均采用 BY-NC-SA 许可协议。转载请注明出处!