线性回归比计算机早 100 年，因此从“发明年代”角度无法定义 ML。Agent 也处于类似阶段：定义混乱，但共识逐渐形成。OpenAI AGI 五级划分（Level 1–5）Level 3 开始具备自主行动可执行任务→ Agent 基本形态Level 4/5 对应创新与组织管理能力。

目录

目录前言1. 自然语言与编程语言2. 自然语言处理层次2.1 语音、图像和文本2.2 中文分词、词性标注和命名实体识别2.3 信息抽取2.4 文本分类与文本聚类2.5 句法分析2.6 语义分析与篇章分析2.7 其它高级任务3. NLP发展历史4. 机器学习5. 语料库前言自然语言处理(Natural Language Processing，NLP)是一门融合了计算机科学、人工智能以及语言学的交叉学

关键点含义技术革命有阶段性技术 → 用户 → 生态，是AI产品演化的三部曲应用层是机会高地技术壁垒低、需求增长快、反馈周期短案例研究是产品修炼捷径通过案例洞察“技术如何变成体验”AI 产品经理的任务不只是“调模型”，而是“调人性”💡用数据捕捉趋势；用工具洞察行为；用产品验证情绪。真正有生命力的 AI 产品，往往诞生于理性的数据洞察与感性的用户共鸣之间。

目录

本篇文章主要介绍了通过迁移学习微调训练自己的图像分类模型。常见的迁移学习的方式有以下三种：只微调训练模型最后一层（全连接分类层）；微调训练所有层；随机初始化模型全部权重，从头训练所有层。不同的迁移学习范式复用的是不同层次的卷积神经网络的特征和权重，我们在选择迁移学习方式的时候主要要考虑我们的数据集和预训练模型所用的数据集之间的分布和数据量大小差异。对训练过程中产生的日志数据我们可以进行可视化，我们

本篇文章主要讲解了DeepWalk算法和Node2Vec算法- DeepWalk算法能够通过随机游走序列（邻居信息和社群信息）学习网络的连接结构信息，将节点编码为连续地维的稠密的向量空间，新加入节点时不需要重新训练，只需要输入新节点和新连接关系，再进行增量训练，并且它可以进行并行计算。在代码实战部分，使用维基百科词条数据构建无向图，生成随机游走节点序列，训练Word2Vec模型，通过计算PageR

本篇博客首先介绍了图的广泛应用场景，引出了图是描述大自然的通用语言。然而现有的机器学习和深度学习方法不能有效利用图信息进行学习，从而引出了图深度学习的基本概念和难点。图深度学习广泛的应用在我们的学习生活中，蕴含了巨大的商业价值和科研价值，同时图深度学习可以和人工智能各方向结合（大模型、多模态、可信计算、NLP、情感计算），促进其它方向的发展。

这里写目录标题一、名词解释1.1 什么是CLI?1.2 什么是GUI?二、项目目的三、宠物信息管理系统3.1 项目背景3.2 需求分析3.2.1 系统描述3.2.2 功能结构3.3 主要功能描述3.3.1 主界面：3.3.2 新建宠物信息3.3.3 显示全部宠物信息3.3.4 查询宠物信息3.3.5 修改宠物信息3.3.6 删除宠物信息3.4 不足与扩展四、项目制作4.1 框架搭建4.2 新增宠物

目录1. 感知机1.1 感知机的基本概念1.2 感知机的训练算法2. 多层感知机3. 多层感知机的从零开始实现4. 多层感知机的简洁实现1. 感知机1.1 感知机的基本概念1.2 感知机的训练算法2. 多层感知机3. 多层感知机的从零开始实现4. 多层感知机的简洁实现......