这近一年来，我在国科大修了：人工智能导论、机器学习与模式识别、语义网络与知识图谱、深度学习、强化学习……这几门专业课，由于发现了它们彼此之间有重复的知识点，真想把他们融会贯通一下，至少写个提纲挈领的东西给自己和后人看。

课上最令人沮丧的是缺少专业名词的翻译和解释，导致后来就听的云里雾里浪费时间和精力。

一、纲要

首先是导论课程的老师给分的几大类：

1-问题求解与搜索

2-知识表示与推理（知识图谱）

3-神经网络与学习（深度学习、强化学习）

然后是工程数学和信息论中的比较重要的东西

矩阵论

梯度下降与反向传播

马尔可夫性

信息与不确定性（概率）

信息熵，交叉熵

再然后是共用的东西（一些频繁出现的词）

蒙特卡洛算法（Monte Carlo）

支持向量机（SVM）

贝叶斯网

最后是特种的处理方法与架构

Transformer（自我注意力）

softmax（归一化指数函数）

聚类（K-means……）

全连接（FC）

卷积（CNN）

循环神经网络（RNN）

二、几款课程的侧重点和简介

模式识别

侧重于特征的提取

深度学习

侧重于对数据集的训练

强化学习

侧重于智能体和环境的交互

知识图谱

侧重于推理（实体-关系-事件）

三、那些数学公式都是什么意思？

这里仅列举最常见到的一些公式套路，就像中学解物理题时的“设时间为t”这种约定俗成的东西。

对于梯度反向传播

正向累计，反向求导，更新权重

对于带有概率与信息熵

loss曲线

四、关于几个我没学习时的问题的解答

1，什么是调参？为什么要去“炼丹”？

深度学习中，超参数需要根据不同数据集调整

2，拟合这种东西，是怎么AI绘图把像素还原回去实现的？

回归和极大似然估计

3，“监督式学习”“无监督式学习”……那些分类是什么东西啊

其实按这种分类有很多呢……

个性化推荐、聚类分簇（数据挖掘）、搜索和排名、特征提取

结语

不知道是不是冥冥之中自有天意，我的志向是生物，但本科学计算机知道体系结构是如何组成，了解了计算机底层是如何运行的后，再来学人工智能去实现人的智能——但这恰恰是最为通顺的路！

为实现和改进而产生的方法有很多很多，不再详细介绍。