【AI和大模型】AI到底和大模型有什么区别？机器学习，深度学习，python，NPL

什么是AI？

AI是一个广泛的领域，涵盖了模拟和扩展人类智能的多种理论和技术；而大模型是AI领域中的一种具体技术，特别是在自然语言处理（NLP）方面取得了显著进展的深度学习模型。大模型通常指的是具有大量参数的深度学习模型，它们通过在大规模数据集上进行训练，能够学到丰富的数据表示和模式，从而在各种任务上表现出色，如文本生成、语言理解、图像识别等。

什么是大模型？

大模型，是指在人工智能领域，特别实在自然语言处理和机器学习中，拥有大量参数的深度学习模型。
这些模型通过在大规模数据集上进行训练，能够学到丰富的数据表示和模式，从而在各种任务上表现出色，如文本生成，语言理解，图像识别等。
大模型是具有大量参数和复杂结构的模型，这些模型通常具数十亿甚至数万亿个参数，能够处理大规模的数据和复杂的任务。
通常使用深度学习技术，如深度神经网络，可以从数据中学习并提取特征来执行各种任务。

什么是机器学习？

机器学习（Machine learning）是一种人工智能的技术，通过让机器通过对过去已知大量数据的学习，逐渐有能力从数据中发现接近现实的规律，并通过这些规律对未来的某些状况进行预测，从而实现自主学习和预测的能力。

建模过程中，根据数据是否有明确标签，可以把机器学习分为监督学习、无监督学习和半监督学习三种类型。

1. 监督学习：从有标签的数据中学习规律和模式，以便在未知数据上进行预测和分类。
2. 无监督学习：从无标签的数据中学习规律和模式，以便在未知数据上进行聚类和降维等操作。
3. 半监督学习：将监督学习和无监督学习相结合，利用少量有标签的数据和大量无标签的数据进行学习。

根据机器学习的应用场景，目前可以分为分类问题、回归问题、聚类问题三大类。

1. 分类问题：机器学习可以通过对已知类别的数据进行学习，从而对未知类别的数据进行分类。比如在垃圾邮件识别中，机器学习算法可以通过学习已知的垃圾邮件和非垃圾邮件，来判断一封新收到的邮件是否是垃圾邮件。分类问题的常见算法有K近邻算法、逻辑回归、朴素贝叶斯、决策树、随机森林、支持向量机（SVM算法）等，后续文章会详细介绍。
2. 回归问题：机器学习可以通过对已知的数据进行学习，从而对新的数据进行预测。比如在股票市场中，机器学习算法可以通过学习历史股票价格数据，来预测未来的股票价格。回归问题的常见算法有线性回归等，后续文章会详细介绍。
3. 聚类问题：机器学习可以将数据按照一定的特征进行聚类，从而将相似的数据归为一类。比如在客户分析中，机器学习算法可以通过学习客户的购买行为和喜好，将相似的客户归为一类，从而对不同的客户群体进行针对性的营销。聚类算法属于无监督学习，后续会介绍一下K均值算法（K-means）。

机器学习的优点（和深度学习相比）：

• 易于理解和实现，成本较低，好落地。
• 适用于小规模数据。
• 可解释性强，相对可控。
• 适用于各种类型的数据。机器学习的算法适用于各种类型的数据，包括结构化数据和非结构化数据。

机器学习的缺点（和深度学习相比）：

• 需要手动提取特征。这需要专业知识和经验，并且很难得到最佳特征，因此这也是体现产品经理价值的重要环节。
• 对数据质量要求高。机器学习的算法对数据质量要求较高，如果数据质量较差，会影响预测结果的准确性。
• 预测效果受限。机器学习的算法预测效果受限，无法处理较为复杂的数据集。

什么是深度学习？

深度学习（Deep learning）是一种机器学习的分支，它是通过构建多层神经网络来实现自主学习和预测的能力。深度学习的核心是深度神经网络，它由多个层次的神经元组成，每一层都可以提取出不同的特征信息，从而实现对复杂数据的学习和预测。深度学习的应用范围非常广泛，包括图像识别、语音识别、自然语言处理等领域。

深度学习常见算法有反向传播（Backpropagation）、卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）等，后续会详细介绍。

深度学习的优点（和传统机器学习相比）：

• 自动提取特征。深度学习可以自动学习特征，从而避免了手动提取特征的麻烦。
• 适用于大规模数据。深度学习的算法适用于大规模的数据集。
• 预测效果较好。深度学习的算法预测效果较好，可以处理较为复杂的数据集。

深度学习的缺点（和传统机器学习相比）：

• 计算资源要求高。深度学习的算法需要大量的计算资源，包括计算机性能和存储空间。
• 训练时间长。深度学习的算法需要较长的训练时间，这会增加成本和时间成本。
• 模型可解释性差。深度学习的算法模型可解释性较差，很难理解模型的内部运作机制。

学习路线推荐：

前置知识 Python基础 Linux基础

（1）学习目的

• 掌握Python基础，熟悉常用的Python库和工具，如NumPy、Pandas、Matplotlib、Scikit-learn、TensorFlow、PyTorch等
• 具备NLP相关的基础知识，包括文本预处理、分词、词性标注、命名实体识别、词向量表示等。
• 对大模型有一定了解，包括transfermer模型的结构和原理、基于注意力机制的自然语言处理技术等。 （2）参考内容
• 廖雪峰Python教程 （3）学习要求
• 熟练掌握并能够编写基础的Python函数、语法等，能够熟练使用Linux系统
• 推荐书籍

Step1：NPL相关基础知识

（1）学习目的

• 了解文本预处理、分词、词性标注、命名实体识别、词向量表示等基础知识
• 掌握自然语言处理（NPL)相关技术，如分词、词性标注、命名实体识别、句法分析等。
• 掌握机器学习的数据预处理、特征提取、分类、回归等基础算法，并了解在NPL领域的应用。
• 了解大规模NPL任务中的常用技术和方法，如深度学习中的transfermer模型、BERT、GPT等。 （2）参考内容 李沐 动手学深度学习 （3）学习要求 理解并掌握机器学习、深度学习、自然语言处理的基础概念，最好能阅读并吸收课程中提到的经典论文，能够独立实现在colab上训练模型（小模型）

Step2：GPT API调用及Prompt设计

（1）学习目的

• 了解GPT API的调用方式和基本操作，熟悉Prompt设计技巧和要点，能够结合自己的任务调用API实现对应的任务代码 （2）学习要求 了解大模型以及对应NPL知识的基础原理，能够熟练调用GPT API，编写Prompt完成各种任务

Step3：模型微调

（1）学习目的：了解常见的微调模型的基本流程和原理，熟练数据集的构造、训练、评估等过程，能够独立构建QA对，在服务器上对模型进行微调
（2）学习要求
能够独立完成大模型的微调数据构建、训练以及部署工作

Step4：RAG(外挂数据库）

（1）学习目的
RAG作为目前最火的一个LLM落地方向，可以结合私有数据（表格、word、txt、pdf、数据库皆可）实现本地回答，且训练成本较低，可以快速实现效果
（2）学习内容

• LangChain
• FastGPT
• LangChain-Chatchat（快速部署框架）
• DB-GPT （3）学习要求 能够在本地实现基于大模型的外挂部署方案。
• 推荐书籍