人工智能（AI）是通过模拟人类思维和行为，使机器能够执行通常需要人类智能完成的任务。AI的发展经历了多个阶段：从1950年代的初期探索和符号推理，到1980年代的专家系统，再到1990年代至2000年代的机器学习崛起，以及2010年代至今的深度学习飞跃。这些技术进步使得AI在图像识别、语音处理、自然语言理解和自动驾驶等领域取得了显著成果。未来，AI将趋向跨领域融合、与人类协作、自主学习、边缘计算、

机器学习主要解决三类问题：回归、分类和聚类。回归用于预测连续数值，如房价或股票波动，常用模型包括线性回归和XGBoost。分类用于判断数据所属类别，如信用违约或图像识别，常用模型有逻辑回归和随机森林。聚类则用于无标签数据的分组，如用户分群或异常检测，常用方法包括KMeans和DBSCAN。选择模型时需考虑数据特性和问题需求，避免过度依赖复杂模型，而应注重模型适用性和数据预处理。

通过这篇文章，我们实现了一个从零开始的神经网络：完整构建了网络结构（无需框架）实现了正向传播与反向传播成功对二分类任务进行了拟合改用 ReLU 激活函数；增加网络层数，提升模型表达能力；用 Softmax 处理多分类问题；尝试用真实数据集，如鸢尾花（Iris）或 MNIST。这类“纯手写”的 ANN 实战项目非常适合用来理解深度学习的本质机制。如果你打算继续深入，可以尝试逐步迁移到 PyTorch