机器学习是人工智能的一个实现途径，深度学习是机器学习的一个方法发展而来。应用场景：传统预测、图像识别、自然语言处理机器学习是从数据中学习，利用模型解决问题（就是做预测）数据集构成结构：特征值 + 目标值（1）算法是核心，数据与计算是基础（2）找准定位（3）怎么做？1.入门2.实战类书籍3.机器学习-“西瓜书” - 周志华统计学习方法 - 李航深度学习 - “花书”算法特征工程特征工程是帮助我们使算

KNN核心思想：你的“邻居”来推断出你的类别1、K-近邻算法（KNN）原理k = 1容易受到异常值的影响如何确定谁是邻居？计算距离：距离公式：欧氏距离曼哈顿距离（绝对值距离）明可夫斯基距离2、电影类型分析k = 1 爱情片k = 2 爱情片······k = 6 无法确定k = 7 动作片k值取得过大，样本不均衡的影响k值取得过小，容易受到异常点的影响结合前面的约会对象数据，分析K-近邻算法需要无

定义：线性回归是利用回归方程（函数）对一个或多个自变量（特征值）和因变量（目标值）之间关系进行建模的一种分析方式。注：简单来说，一种是统计的说法，一种是机器学习中的说法，两者无非就是函数关系特征值和目标值线性模型数据挖掘基础期末成绩 ：0.7x考试成绩 + 0.3x平时成绩广义线性模型~ 非线性关系线性模型：自变量一次参数一次注：线性关系一定是线性模型，线性模型不一定是线性关系。4.1.2 线性回

AI智能体是一种高度智能化的实体，能够独立感知环境、理解和决策，进而执行相应动作，本质是依赖大模型作为"大脑"完成既定目标。工作流模式（手动挡）与智能体模式（自动挡）的核心区别在于谁来做决策——前者由人手动编排节点，后者由大模型自主规划调用工具。大模型存在幻觉问题——对训练数据未覆盖的新知识会"瞎编"看似专业的答案，用户必须具备判断输出对错的能力。AI智能体的核心应用场景涵盖自动化助理（数据收集/

AI智能体是一种高度智能化的实体，能够独立感知环境、理解和决策，进而执行相应动作，本质是依赖大模型作为"大脑"完成既定目标。工作流模式（手动挡）与智能体模式（自动挡）的核心区别在于谁来做决策——前者由人手动编排节点，后者由大模型自主规划调用工具。大模型存在幻觉问题——对训练数据未覆盖的新知识会"瞎编"看似专业的答案，用户必须具备判断输出对错的能力。AI智能体的核心应用场景涵盖自动化助理（数据收集/

AI智能体是一种高度智能化的实体，能够独立感知环境、理解和决策，进而执行相应的动作。幻觉（Hallucination）：大模型基于历史数据进行训练，对于训练数据未包含的新知识无法准确回答，但会生成看似专业实则错误的答案，这种现象称为"幻觉"或"瞎编"。

AI智能体是一种高度智能化的实体，能够独立感知环境、理解和决策，进而执行相应的动作。幻觉（Hallucination）：大模型基于历史数据进行训练，对于训练数据未包含的新知识无法准确回答，但会生成看似专业实则错误的答案，这种现象称为"幻觉"或"瞎编"。

AI智能体（AI Agent）是能够感知环境、理解用户意图并自主调用工具执行动作的智能实体。它相较于传统人工智能的核心突破在于：具备独立思考与执行给定目标的能力。大模型（LLM）在智能体架构中扮演"大脑"角色，负责高层认知任务，但本身不具备任何执行能力。ReAct（Reasoning + Acting）是一种先进的Agent执行框架，引入"推理—行动—观察"循环机制，使智能体具备自我反思与重试能力

AI智能体（AI Agent）是能够感知环境、理解用户意图并自主调用工具执行动作的智能实体。它相较于传统人工智能的核心突破在于：具备独立思考与执行给定目标的能力。大模型（LLM）在智能体架构中扮演"大脑"角色，负责高层认知任务，但本身不具备任何执行能力。ReAct（Reasoning + Acting）是一种先进的Agent执行框架，引入"推理—行动—观察"循环机制，使智能体具备自我反思与重试能力

AI智能体（AI Agent）是能够感知环境、理解用户意图并自主调用工具执行动作的智能实体。它相较于传统人工智能的核心突破在于：具备独立思考与执行给定目标的能力。大模型（LLM）在智能体架构中扮演"大脑"角色，负责高层认知任务，但本身不具备任何执行能力。ReAct（Reasoning + Acting）是一种先进的Agent执行框架，引入"推理—行动—观察"循环机制，使智能体具备自我反思与重试能力