人工智能技术栈从基础算法到深度学习的全景
机器学习
机器学习是人工智能领域中的一个核心分支，它涉及教会计算机如何从数据中学习，而无需进行显式编程。它可以被进一步划分为监督、非监督和半监督学习三种类型。监督学习是最常见的一种，其中算法在标记的训练数据集上进行训练，以预测新未见过的输入值。在非监督学习中，算法必须在没有标签的情况下发现数据中的模式或结构。而半监督则介于两者之间，结合了标注和未标注的样本。
深度学习
深度学习是机器学习的一个子领域，它利用多层的人工神经网络来模拟人类大脑处理信息的方式。这项技术通过构建具有许多相互连接节点（即神经元）的层来实现复杂任务，如图像识别、自然语言处理和语音识别等。深度模型能够自动提取特征，从而减少了手动工程特征的需要，使得它们特别适合于处理高维数据。
自然语言处理(NLP)
自然语言处理是一门研究计算机科学与人工智能中使计算机理解、解释和利用人类语言这一能力的手段。NLP涉及文本分析、情感分析以及对话系统等多个方面。随着深度神经网络技术的发展，如循环神经网络(RNN)、长短时记忆网络(LSTM)和Transformer模型，NLP领域取得了巨大的进步，使得聊天机器人、大规模文档分类以及跨语言翻译成为现实。
强化learning
强化学是一个以奖励信号为驱动力，让代理(如一个玩游戏或者操作物理环境的小型车辆)根据其行为获得奖励或惩罚形式反馈过程。在强化学中学到的策略通常被称作“政策”，这定义了代理采取某个行动概率分布。这一方法已成功应用于 robotics, game playing 和推荐系统等领域。
计算视觉与图像识别
计算视觉是一个研究如何让电脑理解并解释视觉信息的手段，这包括物体检测、场景理解以及图像生成等任务。在这个过程中，卷积神经网络(CNNs)成为了主要工具，因为它们能够有效地提取空间模式，并且已经证明在各种视觉任务中表现出色。此外，与传统CV不同的是，我们还可以使用自我超越(Self-supervised learning)方法来训练这些模型，不依赖额外标注数据，从而提高效率并降低成本。
