B6-6.2.1
深度学习的概念，常用算法。
深度学习（Deep Learning）概念
必记深度学习是机器学习的分支，通过构建含多个隐层的深度人工神经网络模型，逐层自动抽取数据的低级特征并组合成高抽象度语义特征。传统机器学习需繁琐人工设计特征工程，深度学习实现了端到端（End-to-End）自动特征学习
深度学习主流经典网络架构与算法
必记卷积神经网络
- 英文简称
- CNN
- 结构特征与优势
- 包含卷积层（特征提取）、池化层（降维）、全连接层；参数共享与局部连接
- 主要应用领域
- 图像识别、目标检测、医学影像分析
循环神经网络
- 英文简称
- RNN / LSTM / GRU
- 结构特征与优势
- 神经元存在内部环路反馈，具有“记忆”能力，专门处理序列数据
- 主要应用领域
- 语音识别、机器翻译、文本序列处理
生成对抗网络
- 英文简称
- GAN
- 结构特征与优势
- 由生成器（Generator）和判别器（Discriminator）相互博弈对抗学习
- 主要应用领域
- 图像生成、超分辨率修复、AI 换脸
Transformer 模型
- 英文简称
- Transformer
- 结构特征与优势
- 基于自注意力机制（Self-Attention），高度并行处理长文本
- 主要应用领域
- 大语言模型（GPT、BERT）的基础架构
| 网络类型 | 英文简称 | 结构特征与优势 | 主要应用领域 |
|---|---|---|---|
| 卷积神经网络 | CNN | 包含卷积层（特征提取）、池化层（降维）、全连接层；参数共享与局部连接 | 图像识别、目标检测、医学影像分析 |
| 循环神经网络 | RNN / LSTM / GRU | 神经元存在内部环路反馈，具有“记忆”能力，专门处理序列数据 | 语音识别、机器翻译、文本序列处理 |
| 生成对抗网络 | GAN | 由生成器（Generator）和判别器（Discriminator）相互博弈对抗学习 | 图像生成、超分辨率修复、AI 换脸 |
| Transformer 模型 | Transformer | 基于自注意力机制（Self-Attention），高度并行处理长文本 | 大语言模型（GPT、BERT）的基础架构 |
随堂自测（3 题 · 共 102 道关联题）展开作答
神经网络（）的节点数需与输入数据的维度相匹配，（）的节点要与目标的维度匹配，它们的节点数是（），（）的节点数目可以有多种选择。
为代表的机器学习目前在图像处理、语音识别与合成、计算机视频等应用领域中取得了很大成功。
CNN 的全称是____。
B6-6.2.2
自然语言处理的概念。
自然语言处理（NLP）概念与任务
必记- 自然语言处理（Natural Language Processing，NLP）：研究计算机如何理解、解析、生成人类自然语言的学科，被誉为“人工智能皇冠上的明珠”
- 核心分为两大分支：自然语言理解（NLU）（如句法分析、意图识别）与自然语言生成（NLG）（如文本摘要、智能写作）
- 常见基础任务：中文分词（如 Jieba）、词性标注（POS）、命名实体识别（NER）、情感倾向性分析、机器翻译与智能客服问答
中文 NLP 与英文处理的最大差异
重点易错陷阱
专转本常考考点：英文单词之间自带空格自然分隔，而中文句子连续书写无空格分割，因此“中文分词”（Word Segmentation）是中文 NLP 的关键预处理第一步。
随堂自测（3 题 · 共 100 道关联题）展开作答
自然语言处理的中文分词、词性标注和命名实体识别统称为（），主要任务是将文本分隔为有意义的词语(中文分词)，确定每个词语的类别和浅层的歧义消除（词性标注），并且识别出一些较长的专有名词（命名实体识别）。
自然语言处理系统的输入源一共有 3 个，不包括（）
自然语言理解不属于人工智能学科研究的主要内容。（ ）
B6-6.2.3
计算机视觉的概念。
计算机视觉（CV）概念与核心任务
必记- 计算机视觉（Computer Vision，CV）：用摄影机和计算机代替人眼对目标进行识别、跟踪和测量，并进一步做图形图像处理，使计算机能“看懂”客观世界
- 核心基础任务四阶演进：图像分类（Image Classification） -> 目标检测（Object Detection，带边界框） -> 语义分割（Semantic Segmentation，像素级类别标注） -> 实例分割（区分不同个体）
- 典型应用：人脸识别闸机、自动驾驶车辆车道线识别、安防人体姿态估计、医学影像病灶筛查
计算机视觉的基石算法
重点复习提示
在深度学习时代，卷积神经网络（CNN）及其变体（如 ResNet、YOLO）是计算机视觉领域应用最广泛的基础算法架构。
随堂自测（3 题 · 共 62 道关联题）展开作答
计算机视觉是一项研究如何让机器“看”的科学技术，是以光线传感器（摄像机、雷达等）和网络为核心来模拟人类视觉的数字视觉系统。
计算机视觉主要任务包含
邮局把信件进行自动分拣,使用的计算机技术是____。
B6-6.2.4
数据挖掘的概念，常用算法。
机器学习与数据挖掘主要算法分类
必记监督学习（Supervised）
- 数据特点
- 数据带有标注标签（Label）
- 常用经典算法
- 决策树（ID3/C4.5）、支持向量机（SVM）、朴素贝叶斯、K 近邻（KNN）、逻辑回归
- 典型应用
- 垃圾邮件分类、房价预测、信用评分
无监督学习（Unsupervised）
- 数据特点
- 数据无预先标注标签
- 常用经典算法
- K-Means 均值聚类、层次聚类、PCA 主成分分析、Apriori 关联规则
- 典型应用
- 客户细分群体画像、购物篮关联挖掘
强化学习（Reinforcement）
- 数据特点
- 通过环境奖惩反馈（Reward）试错学习
- 常用经典算法
- Q-Learning, Policy Gradient, DQN
- 典型应用
- 下棋博弈、机器人运动控制、自动驾驶决策
| 学习范式 | 数据特点 | 常用经典算法 | 典型应用 |
|---|---|---|---|
| 监督学习（Supervised） | 数据带有标注标签（Label） | 决策树（ID3/C4.5）、支持向量机（SVM）、朴素贝叶斯、K 近邻（KNN）、逻辑回归 | 垃圾邮件分类、房价预测、信用评分 |
| 无监督学习（Unsupervised） | 数据无预先标注标签 | K-Means 均值聚类、层次聚类、PCA 主成分分析、Apriori 关联规则 | 客户细分群体画像、购物篮关联挖掘 |
| 强化学习（Reinforcement） | 通过环境奖惩反馈（Reward）试错学习 | Q-Learning, Policy Gradient, DQN | 下棋博弈、机器人运动控制、自动驾驶决策 |
KNN vs K-Means 高频混淆辨析
必记易错陷阱
KNN（K-Nearest Neighbors，K近邻）属于监督学习的“分类算法”（需要已知训练样本标签）；而K-Means（K均值）属于无监督学习的“聚类算法”（不需要任何先验标签）。
随堂自测（3 题 · 共 105 道关联题）展开作答
常用的分类算法有决策树分类法，基于规则的分类算法，神经网络，支持向量机和朴素贝叶斯分类法。
____不属于数据挖掘常用的分析技术。
从大量的、不完全的、模糊的数据中识别出有效的、潜在有用的信息或模式的过程,被称为____。