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:
(2)无监督学习
📌 应用:
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
- 新闻分类
- 情感分析(正 / 负 / 中性)
- 垃圾邮件识别
(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?
回归是通过输入特征预测连续数值输出的任务。
📌 示例:
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
(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?
计算机视觉研究如何让机器“看懂”图像和视频。
目标:
📌 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
(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
- 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:
2. NLP 发展范式
- 统计语言模型
- 神经语言模型
- 预训练语言模型
- 大规模语言模型(LLM)
3. 典型 NLP 应用
(1)金融
(2)医疗
(3)教育
(4)娱乐
(5)通用场景
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!