打算做几个系列文章，系统地梳理AI产品经理所需的核心知识与思维框架，帮助产品人更好地理解AI、应用AI，更从容地转型成一个懂趋势、懂技术、懂工程、懂商业落地的AI产品人。
AI技术基础原理系列主要涉及数学、ML算法、大模型、提示工程、上下文工程等内容，产品人主要是理解其中的技术原理和概念，帮助大家在实际业务中能解释应该选择什么模型、什么算法、什么上下文管理策略且能说清原因。
从人工智能说起
要了解机器学习首先从人工智能说起。因为人工智能是目标，机器学习是实现路径。
人工智能指的是让机器具备类似人类智能的能力，使其能够感知环境、学习经验、识别信息并进行推理与决策。
而机器学习（Machine Learning）是人工智能的核心方法，它让机器从有限的数据中”学习”出规律，并用这些规律对未知情况做出预测或判断。
机器学习分类
根据学习范式分类
从学习方式上看，机器学习可以分为三类：监督学习、无监督学习和强化学习。
📚 1⃣️ 监督学习
定义：模型通过大量”输入（特征）+输出（目标）”的样本，学习输入与输出之间的映射关系，然后通过映射关系对数据进行预测。
学习依赖人工标注的输出标签。目标明确，效果好衡量（准确率）。
典型应用：
- 分类、回归、目标检测、序列生成、序列标注等
常见算法：
- 回归类：线性回归、岭回归
- 分类类：逻辑回归、决策树、随机森林、支持向量机、神经网络
小结：
有老师教，学预测
🔍 2⃣️ 无监督学习
定义：模型自动从海量数据中找出潜在结构、模式或规律，无需人工标注。
学习依赖模型自己观察和学习，适用于探索性分析，重点在于”理解数据”而非”预测结果”。
典型应用：
- 聚类、异常检测、关联规则挖掘、降维
常见算法：
- 聚类：K均值聚类、层次聚类
- 降维：主成分分析（PCA）、t-SNE
- 异常检测：基于密度的异常检测、基于距离的异常检测
小结：
自己摸索，学结构
🎮 3⃣️ 强化学习
定义：智能体（Agent）在环境中行动，每个动作都会得到奖励或惩罚，目标是学习到一个能获得最大奖励的策略。
学习依赖反馈信号（reward），重点在于探索（未知领域的Exploration）和利用（已有知识的Exploitation）的平衡。
典型应用：
- 自动驾驶车辆、游戏与游戏玩家、机器人控制
常见算法：
- 值迭代法：Q-learning
- 策略梯度法：REINFORCE、PPO、DDPG、SAC
- 深度强化学习：结合神经网络的版本
小结：
边做边学，学决策
根据模型复杂度分类
除了学习范式外，机器学习还可以根据模型结构和特征表达能力分为两类：浅层学习和深度学习。
📊 1⃣️ 浅层学习
定义：也称表面学习或传统学习，主要通过构建浅层（输入层和输出层之间只有一层或很少基层隐层）、较简单的模型来进行模式识别、分类、回归等任务。
依赖人工进行特征提取来决定模型的输入，由于模型结构浅，计算很快，数据需求量也比较少。
常见算法：
| 算法 | 类型 | 特点 |
|---|---|---|
| 线性回归 / 逻辑回归 | 监督学习 | 简单、可解释，但表达能力有限 |
| 支持向量机（SVM） | 监督学习 | 在特征空间里找最优分割超平面 |
| 决策树 / 随机森林 | 监督学习 | 易解释、可处理非线性，但难应对高维复杂数据 |
| K-Means / PCA | 无监督学习 | 发现简单结构，但无法捕捉复杂特征 |
🧠 2⃣️ 深度学习
定义：使用多层神经网络（通常3层以上的隐层）来学习数据的高层次特征表示。
无需人工设计特征，通过反向传播自动从原始数据中学习特征表示（底层特征 ➡️ 中层特征 ➡️ 高层特征），需要大量数据和算力支持。
常见模型：
| 模型类型 | 应用场景 | 代表架构 |
|---|---|---|
| 卷积神经网络（CNN） | 图像识别、视频分析 | ResNet、VGG、Inception |
| 循环神经网络（RNN） | 序列数据、语音识别 | LSTM、GRU |
| Transformer | 自然语言处理、通用AI | BERT、GPT、ViT |
| 自编码器 / GAN | 表征学习、生成任务 | AE、VAE、GAN、Diffusion |
目前最前沿的AI技术的主流算法都是基于神经网络和强化学习。
监督学习
学的是”正确答案”
无监督学习
学的是”数据结构”
强化学习
学的是”决策策略”
深度学习
让机器自己学会”怎么学习”
相关词汇定义
| 词汇名称 | 定义 | 其它说明 |
|---|---|---|
| 特征 | 指从原始数据中提取出的、用于表示样本的属性或信息 | 在机器学习模型中，特征作为模型的输入，用于表示样本的不同属性，从而帮助模型进行学习和预测 |
| 特征工程 | 指在机器学习和数据挖掘中，通过对原始数据进行处理、转换和提取，生成新的特征或选择合适的特征，从而改进模型性能和提高预测准确性的过程 | 选择什么输入参数、输入多少参数给模型对模型最后的识别性能有很高的影响，挖掘和选择特征的过程就是特征工程 |
| 表示/表征 | 指将数据以某种形式进行编码或者表示的方式，可以是在特征空间或其它空间中的表示 | 在深度学习中，表征通常是模型自动学习得到的，比手工设计的特征更能捕捉数据中的复杂模式和关系，从而提升模型的性能 |
| 局部表示 | 也称离散表示或符号表示，通常可以表示为One-hot向量的形式，即在多维度的一个词表里，有且只有一个维度值为1，其它维度都为0来表示某一个词 |
优点：
不足：
|
| 分布式表示 | 将数据表示为多维向量的方法，其中每个维度都包含有关数据的一部分信息，低维的稠密向量 |
优点：
不足：
|
| 表征学习 | 通过深度神经网络等模型，自动化地从原始数据中学习有效(层次化、抽象化)的特征表示的方法，无需手工设计特征。 | 表征学习的关键是构建具有一定深度的多层次特征表示，通过深度神经网络增加特征的重用性，从而指数级地增加表示能力。 |