报告：阿里云：2025年人人懂AI之从机器学习到大模型报告.pdf
报告由刘军民编写，旨在为 AI 技术爱好者提供启蒙，详细介绍了 AI 从基础到前沿应用的知识，涵盖机器学习、深度学习、神经网络、AIGC 及大模型等方面，探讨了 AI 技术在实际应用中的问题与挑战，并提供了实践指导。
AI 基础概念
定义与分类：AI 以数学、统计学为基础，从数据中挖掘规律并预测结果，主要分为机器学习和知识推理，其中机器学习包含监督学习、非监督学习和强化学习，监督学习应用最广。
训练与推理过程：以监督学习为例，先搜集数据并预处理、提取特征，再选择或开发模型，定义模型好坏，最后找出最佳函数及其参数完成训练，训练好的模型可用于推理。
三要素及应用场景：数据、算法、算力是 AI 的关键要素，数据质量决定模型推理质量，算法影响模型效果，算力支持模型训练，合适的应用场景对 AI 的成功应用至关重要。
机器学习进阶
深度学习与神经网络
神经网络的由来：神经网络类比医学神经网络，由大量神经元相互连接构成，是深度学习的重要基础。
深度学习关键概念：介绍激活函数、Softmax 多分类、卷积、多输入输出通道、1*1 卷积、池化、全连接等概念及其在神经网络中的作用。
经典 CNN 及实践：剖析 LeNet、AlexNet 等经典卷积神经网络，讲解其结构、应用场景及特点，并提供搭建神经网络和在云上搭建深度学习 notebook 开发环境的实践指导。
AIGC 与大模型
AIGC 的影响：AIGC 在多领域引发变革，如搜索推荐、人机交互、内容创作等，带来新的发展机遇，同时也让人们看到硅基智能的潜力。
大语言模型（LLM）：介绍 LLM 的语言数据特征、文本转向量方法、应用开发新范式，分析其在实际应用中的难点问题及 “知识茧房” 缺陷。
解决方案与实践：提出 RAG 方法破解 LLM “知识茧房” 问题，介绍知识库 + LLM 智能问答系统的构建流程和 Langchain 框架，并提供搭建 Langchain-ChatGLM LLM 环境和 LLM + 知识库智能问答钉钉机器人的实践步骤。
AI 技术应用思考
