人工智能 AI 5问

机器学习全分类算法 + AI 全阶段对应 + 落地实现方式

总览：AI 完整生命周期（5 大阶段）

1. 数据预处理阶段：传统机器学习算法 + 图像处理算法
2. 特征工程阶段：降维、特征选择、特征提取算法
3. 模型训练阶段：传统机器学习、深度学习两大分支
4. 模型评估与调优阶段：评估指标、超参搜索、正则化算法
5. 推理部署阶段：模型压缩、加速、后处理算法

一、第一大类：传统机器学习算法（无深度神经网络）

1. 监督学习（有标签数据，分类 / 回归任务）

表格

算法	适用任务	所属 AI 阶段	实现方式
线性回归	回归（预测连续值：温度、价格）	模型训练阶段	Python：Scikit-learn；底层：最小二乘法矩阵运算；核心：拟合线性方程 \(y=wx+b\)
逻辑回归	二分类（判断是否缺陷、是否垃圾信息）	模型训练阶段	Sklearn 实现；用 Sigmoid 将输出映射 0~1，阈值划分类别；工业缺陷筛选基础算法
决策树	多分类 / 回归（可解释性强）	模型训练阶段	ID3/CART 分裂规则；递归划分特征；Sklearn、CART 手写实现；可视化树结构方便调参
随机森林 RF	分类 / 回归（抗过拟合）	模型训练阶段	集成学习：多棵独立决策树并行训练，投票输出结果；Sklearn 封装，可自定义树数量、深度
XGBoost / LightGBM / CatBoost	分类 / 回归（表格数据 SOTA，业务数据首选）	模型训练阶段	梯度提升树 GBDT 迭代训练，每棵树拟合上一轮残差；C++ 底层封装，Python 调用；支持缺失值、自动特征筛选
SVM 支持向量机	二分类（小样本、高维数据）	模型训练阶段	寻找最大间隔超平面；核函数（线性 / 高斯 RBF）处理非线性数据；Sklearn、LibSVM 底层库
KNN K 近邻	分类 / 回归（简单小样本）	模型训练阶段	无训练过程，推理时计算样本距离（欧氏 / 曼哈顿距离），取最近 K 个样本投票；Sklearn 实现，适合低数据量场景

2. 无监督学习（无标签数据，聚类 / 降维）

表格

算法	作用	所属 AI 阶段	实现方式
K-Means 聚类	自动给相似样本分组（图片分组、用户分群）	数据预处理 / 特征工程	随机初始化聚类中心，迭代更新中心点直到收敛；Sklearn，OpenCV 内置图像聚类
DBSCAN 密度聚类	不规则聚类、自动识别异常值	数据预处理	基于样本密度分组，无需提前指定聚类数量；用于脏数据清洗、异常样本剔除
PCA 主成分分析	数据降维，去除冗余特征	特征工程	矩阵特征值分解，保留数据主要信息，减少特征维度；Sklearn，压缩图像、表格特征
TSNE / UMAP	高维数据可视化降维	特征工程	非线性降维，把百维特征映射到 2D/3D 方便观察数据分布；多用于数据集分布校验
关联规则挖掘 Apriori	挖掘数据相关性（商品搭配、特征关联）	数据预处理	频繁项集挖掘，找出数据间强关联规则

3. 半监督学习（少量标注 + 大量无标注数据）

• 代表算法：半监督 SVM、标签传播 Label Propagation、伪标签 Pseudo Label
• 阶段：模型训练阶段
• 实现逻辑：先用少量标注数据训练基础模型，给无标注数据生成伪标签，迭代扩充训练集；常用于标注成本高的工业视觉项目。

4. 强化学习（智能体与环境交互学习最优策略）

• 经典算法：Q-Learning、DQN 深度 Q 网络、PPO 近端策略优化、A2C/A3C
• 阶段：模型训练阶段
• 实现：搭建仿真环境，智能体执行动作获取奖励，迭代优化策略；应用于大模型 RLHF 人类对齐、机器人视觉控制。

二、第二大类：深度学习算法（神经网络，现代 AI 核心，你 YOLO 训练核心）

1. 基础神经网络

1）全连接神经网络（DNN）

• 阶段：模型训练
• 实现：多层线性层 + 激活函数，处理表格一维数据；PyTorch/TensorFlow 搭建nn.Linear层

2. 计算机视觉 CV 深度学习（YOLO、图像任务）

1）CNN 卷积神经网络基础模块 Conv 卷积、Pool 池化、BN 批量归一化；骨干网络：ResNet、Darknet、C2f（YOLOv8） 2）检测专用算法：YOLO 系列、Faster R-CNN、SSD 3）分割算法：U-Net、Mask R-CNN、SAM

• 阶段：模型训练、数据增强预处理
• 实现：PyTorch Ultralytics 框架，通过default.yaml配置超参数训练；OpenCV 做图像预处理

3. 自然语言处理 NLP 深度学习（大模型）

Transformer 架构（自注意力机制），衍生：GPT 解码器、BERT 编码器、LLaMA 大模型

• 阶段：模型训练、微调 SFT、RLHF 对齐
• 实现：Hugging Face Transformers 库，LoRA 轻量化微调

三、配套辅助机器学习算法（分布在 AI 各个前置 / 后置阶段）

阶段 1：数据预处理（清洗、标准化）

1. 距离算法：欧氏距离、余弦距离（去重、异常检测）
2. 标准化算法：MinMax 归一化、Z-Score 标准化
3. 哈希算法：SimHash、dHash（图像 / 文本去重，剔除重复训练样本） 实现：Pandas、NumPy、OpenCV，代码逐行处理原始数据，过滤脏样本。

阶段 2：特征工程（提取有效特征）

1. 特征选择：方差筛选、互信息、卡方检验（剔除无效特征）
2. 降维算法：PCA、UMAP（减少特征冗余，加速训练） 实现：Scikit-learn 内置 API，对清洗后数据集做特征变换。

阶段 3：模型调优 & 正则化（防止过拟合，提升泛化能力）

1. 超参搜索：网格搜索 GridSearch、随机搜索 RandomSearch、贝叶斯优化
2. 正则化算法：L1/L2 权重衰减、Dropout、早停 EarlyStop
3. 学习率调度：余弦退火、Warmup 预热 实现 ：Sklearn 调参工具、PyTorch 内置 scheduler，在default.yaml配置参数生效。

阶段 4：模型评估算法（验证模型效果）

1. 分类指标：准确率 Acc、精确率 Precision、召回率 Recall、F1、AUC-ROC
2. 回归指标：MSE 均方误差、MAE 平均绝对误差、R²
3. 目标检测专用：IOU 交并比、mAP 平均精度（YOLO 验证核心指标） 实现：Sklearn 计算指标，Ultralytics 自动计算 mAP 并输出日志。

阶段 5：推理部署阶段算法（训练完成后落地）

1. 模型压缩：量化（INT8/FP16）、剪枝、知识蒸馏
2. 后处理算法：NMS 非极大值抑制（YOLO 过滤重复检测框，基于 IOU） 实现：ONNX、TensorRT、OpenVINO 推理引擎；NMS 代码集成在推理流程。

四、分阶段完整落地实操流程（结合你的 YOLO 视觉训练场景）

阶段 1：数据预处理（算法：哈希去重、拉普拉斯模糊检测、标准化）

实现：OpenCV 读取图片，dHash 算法删除重复图片，拉普拉斯方差剔除模糊无效样本，统一图片尺寸、RGB 归一化，输出干净数据集。

阶段 2：特征工程（算法：PCA 降维）

实现：对图片像素特征降维，去除冗余像素信息，降低后续模型训练算力消耗。

阶段 3：数据集划分 + 数据增强（算法：Mosaic、MixUp、随机翻转）

实现：分层随机采样划分 train/val/test，YOLO 内置增强算法，在default.yaml开启，扩充样本防止过拟合。

阶段 4：模型训练（核心算法二选一）

1. 传统方案：表格缺陷数据用 XGBoost，Sklearn 搭建模型，输入人工提取的图像特征完成分类；
2. 深度学习方案：YOLOv8（C2f 骨干 + PANet 特征融合 + 解耦检测头），PyTorch 搭建网络，AdamW 优化器反向传播更新权重，CIoU 损失函数计算预测框误差。

阶段 5：模型调优（算法：贝叶斯超参搜索、L2 正则、余弦退火学习率）

实现：修改default.yaml内批次、学习率、增强参数，开启权重衰减，使用早停算法，验证集 loss 不再下降时停止训练。

阶段 6：模型评估（算法：IOU、mAP、召回率）

实现：用 val 验证集推理，计算 mAP 指标，评估模型缺陷检测精度；IOU 阈值在 yaml 中配置，用于 NMS 后处理。

阶段 7：推理部署（算法：模型量化、NMS 非极大值抑制）

实现：训练好的权重导出 ONNX，TensorRT 量化加速；推理时 NMS 算法过滤重叠检测框，输出最终缺陷坐标。

五、极简区分：传统机器学习 vs 深度学习

1. 传统机器学习（XGBoost、SVM、随机森林）

   • 适用：表格结构化数据、小样本、低算力场景；
   • 核心：人工手动提取特征，算法仅做分类 / 回归；
   • 阶段：全部集中在模型训练阶段，依赖前置人工特征工程。

2. 深度学习（CNN、YOLO、Transformer）

   • 适用：图像、文本、语音等高维非结构化数据；
   • 核心：网络自动提取特征，无需人工设计特征；
   • 阶段：贯穿数据增强预处理、模型训练、推理后处理全流程。

opencv里面涉及机器学习算法吗？

OpenCV 内置机器学习算法完整说明

一、结论先行

OpenCV 内置了一套轻量级传统机器学习模块 cv2.ml ，但完全不支持深度学习网络训练（CNN/YOLO/Transformer）。只包含「传统机器学习」，无深度学习、反向传播、神经网络训练能力。

二、cv2.ml 内置全部机器学习算法

1. 分类算法

1. KNearest (KNN) K 近邻基于样本距离分类，适合简单小样本识别。
2. SVM 支持向量机支持线性、RBF 高斯核，工业图像纹理分类常用。
3. DecisionTree 决策树
4. RandomTrees 随机森林
5. **Boost 提升树（Adaboost）**OpenCV 经典：人脸检测的 Haar 级联就是基于 AdaBoost。
6. NormalBayesClassifier 朴素贝叶斯

2. 聚类无监督算法

EM 期望最大化聚类 （替代 Kmeans，OpenCV 单独封装）另外图像专用聚类：cv2.kmeans() 图像像素聚类（不属于 ml 模块，但属于机器学习聚类算法）

3. 数据拟合 / 回归

• LogisticRegression 逻辑回归（二分类）

三、OpenCV 机器学习的使用特点与局限

优点

1. 轻量化，仅依赖 OpenCV 库，无需安装 scikit-learn、PyTorch；
2. 原生兼容图像特征向量（HOG、SIFT 等 OpenCV 提取的特征直接输入训练）；
3. 适合嵌入式、离线小型视觉分类程序。

致命局限（重点区分深度学习）

1. 不能训练卷积神经网络 CNN、YOLO、大模型没有自动微分、反向传播、GPU 训练、梯度下降优化器（Adam/SGD），无法做深度学习训练。
2. 仅支持一维特征向量输入必须先用 OpenCV 手工提取 HOG/SIFT 等特征，不能直接输入原图像素训练。
3. 不支持高级集成树（XGBoost/LightGBM），性能弱于 Sklearn
4. 无数据增强、损失函数自定义、学习率调度等深度学习训练功能

四、两个易混淆模块区分

1. cv2.ml：传统机器学习（KNN、SVM、随机森林等），可训练分类器；
2. cv2.dnn ：深度学习推理模块 ，仅能加载外部框架训练好的模型（YOLO/ONNX/TensorFlow 权重）做预测，不能训练模型。

五、实操场景举例

1. OpenCV 内置 SVM 训练OpenCV 提取图片 HOG 纹理特征 → 转为一维向量 → cv2.ml.SVM 训练分类器，区分良品 / 缺陷；
2. OpenCV Kmeans 像素聚类图像分割，自动把画面相近颜色像素分组；
3. AdaBoost 人脸检测器OpenCV 预训练好的级联分类器，底层算法就是 Boost 提升树。

六、一句话总结

OpenCV 包含传统机器学习算法 （KNN/SVM/ 随机森林 / 贝叶斯等），可完成小型图像分类、聚类；但不包含深度学习训练算法，CNN、YOLO 等网络训练必须用 PyTorch/TensorFlow。

OpenCV完全包含传统机器学习吗？

结论：不，OpenCV 并没有完整包含全部传统机器学习算法，只有少量基础子集

一、OpenCV 自带的传统机器学习（cv2.ml + cv2.kmeans）

1. 分类器：KNN、SVM、决策树、随机森林、AdaBoost、朴素贝叶斯、逻辑回归
2. 聚类：K-Means、EM（期望最大化）
3. 适用场景：简单图像分类、像素聚类、人脸 AdaBoost 级联检测

二、OpenCV 缺失大量主流传统机器学习算法

1. 梯度提升树（工业表格数据主流）

XGBoost、LightGBM、CatBoost 全部没有，这是竞赛、业务数据分析最常用算法。

2. 无监督学习大量算法

• 降维算法：PCA、TSNE、UMAP 均不在 cv2.ml；OpenCV 仅有简易 PCA，不支持可视化降维；
• 密度聚类：DBSCAN、OPTICS 完全缺失；
• 关联规则：Apriori 无实现。

3. 半监督、弱监督学习算法

伪标签、标签传播、半监督 SVM 等全部没有。

4. 模型调优与评估工具

网格搜索、贝叶斯超参优化、交叉验证工具均未内置，需要依靠 scikit-learn。

三、核心缺陷：OpenCV 机器学习模块定位只是「图像配套工具」

1. OpenCV 的 ML 模块设计初衷：配合图像提取的 HOG/SIFT 手工特征做简单分类，不是通用机器学习工具库；
2. 输入限制：仅支持一维浮点特征向量，无法直接处理原始图像、表格数据集；
3. 功能简陋：缺少交叉验证、自动特征筛选、缺失值处理、多种评估指标计算；
4. 训练性能弱：同等数据下，SVM、随机森林效果、速度不如 scikit-learn。

四、对比：完整传统机器学习去哪里学？

通用完整传统机器学习生态是 Scikit-learn + XGBoost/LightGBM：

• 包含 OpenCV 全部内置 ML 算法；
• 额外补齐梯度提升树、DBSCAN、TSNE、PCA、半监督算法、交叉验证、超参搜索全套工具。

五、一句话总结

OpenCV 只自带一小部分入门级传统机器学习算法，距离完整覆盖传统机器学习还差非常多，不能依靠 OpenCV 学全传统机器学习。

机器学习包含传统机器学习和深度学习吗

结论：是的，标准分层关系如下

1. 三层从属关系（由大到小）

人工智能 AI ＞ 机器学习 ML ＞ 深度学习 DL

1. 机器学习（ML） ：是 AI 实现智能的核心分支，分为两大分支：
   • 传统机器学习（非神经网络）
   • 深度学习（基于多层神经网络）
2. 传统机器学习无多层神经网络，依靠人工提取特征完成建模；代表：SVM、KNN、决策树、随机森林、XGBoost、K-Means 等，也就是 OpenCV 内置的那一小类算法。
3. 深度学习 属于机器学习的子集，依靠多层神经网络自动提取特征；代表：CNN、YOLO、U-Net、Transformer（大模型）等，需要 PyTorch/TensorFlow 训练框架。

2. 直观对比区分

传统机器学习

• 流程：人工提取特征（如 OpenCV 提取 HOG/SIFT）→ 送入模型分类 / 聚类
• 依赖：特征工程，人手动设计有效特征
• 工具：Scikit-learn、OpenCV.ml、XGBoost

深度学习

• 流程：直接输入原始图像 / 文本，神经网络自动学习特征
• 依赖：多层网络、反向传播、GPU 算力、大规模数据集
• 工具：PyTorch、TensorFlow、PaddlePaddle

3. 结合你之前的问题总结

1. 机器学习 = 传统机器学习 + 深度学习；
2. OpenCV 仅内置一小部分传统机器学习算法，完全不包含深度学习训练能力；
3. 只会 OpenCV 算法 ≠ 掌握机器学习，缺少大量传统树模型、完整建模流程，以及现代深度学习整套体系。

通用大模型 LLM、YOLO 计算机视觉属于哪个

一、分类归属清晰划分

1. 层级总框架

人工智能 AI└── 机器学习 ML├── 传统机器学习（SVM、XGBoost、Kmeans、cv2.ml 内置算法）└── 深度学习 DL├── LLM 通用大模型（NLP 自然语言处理）└── YOLO 目标检测（计算机视觉 CV）

2. LLM 通用大模型

1. 所属大类：深度学习 → 自然语言处理 (NLP) 分支
2. 底层核心算法：Transformer 架构（自注意力、多头注意力）
3. 典型模型：GPT、LLaMA、Qwen、ChatGLM 等
4. 训练链路特点：海量文本语料、预训练 + SFT 微调 + RLHF 强化学习对齐

3. YOLO 计算机视觉检测算法

1. 所属大类：深度学习 → 计算机视觉 (CV) 分支
2. 底层核心结构：CNN 卷积神经网络（骨干 Backbone+C2f、FPN/PANet 特征融合 + 解耦检测头）
3. 典型模型：YOLOv5/v8/v11 等
4. 训练链路特点：图像数据集、标注框、Mosaic 图像增强、CIoU 损失、NMS 后处理，搭配 OpenCV 做图像预处理与推理可视化

二、二者相同点 & 区别

相同点

1. 都属于深度学习，是机器学习的子集；
2. 训练都需要 GPU 加速、反向传播、AdamW 优化器、数据集划分、超参调优；
3. 整套训练流程完全一致：数据采集→预处理→标注→增强→训练→调优→评估→部署。

核心区别

表格

维度	LLM 大模型	YOLO 目标检测
处理数据	文本、对话、指令（一维序列）	图片、视频（二维像素图像）
基础网络	Transformer 注意力机制	CNN 卷积神经网络
配套工具	HuggingFace、文本处理库	OpenCV、图像标注工具 LabelImg
应用场景	对话机器人、文案生成、代码、翻译	工业质检、安防、自动驾驶、OCR 辅助

三、结合你之前知识点补充

1. 二者都不属于传统机器学习，传统机器学习无神经网络，不能做 LLM/YOLO 训练；
2. OpenCV 仅能配合 YOLO 做图像预处理、推理画图，完全无法训练 YOLO/LLM 模型；
3. 二者训练参数统一使用 yaml 配置文件管理（dataset.yaml、default.yaml）。

AI 训练全链路用到的技术 + 算法有哪些？

一、AI 训练全链路：全套技术 + 算法（完整分阶段）

整体链路：数据采集 → 数据清洗预处理 → 数据标注 & 数据集划分 → 数据增强 → 模型训练 → 调优正则化 → 模型评估 → 模型压缩 & 推理部署

1. 数据采集阶段

技术工具

图像：工业相机、监控、OpenCV 视频流、COCO/VOC 公开数据集文本：爬虫、PDF 解析、开源对话语料（ShareGPT）存储：本地文件、MinIO、OSS、HDFS 分布式存储

核心算法

aHash/dHash 感知哈希、SimHash（图片 / 文本去重）

2. 数据清洗 & 预处理（OpenCV 核心场景）

图像处理算法（OpenCV 实现）

降噪：高斯滤波、中值滤波、双边滤波形态学：腐蚀、膨胀、开 / 闭运算像素处理：阈值分割、直方图均衡、BGR/RGB 通道转换质量过滤：拉普拉斯方差（剔除模糊图）、均值过滤纯白 / 纯黑图标准化：MinMax 归一化、Z-Score 标准化

文本预处理

工具：Pandas、Jieba、NLTK算法：分词、停用词过滤、编码统一、文本去重

3. 数据标注 + 数据集划分

工具

视觉标注：LabelImg、LabelMe、SAM 半自动标注文本标注：人工 SFT 问答、大模型自动标注配置文件：dataset.yaml、default.yaml（存储路径、超参、类别）

算法

分层随机采样（划分 train/val/test，保证类别均衡）YOLO 坐标归一化算法

4. 数据增强（防过拟合、扩充样本）

1）基础图像增强（OpenCV）：翻转、平移、旋转、缩放、HSV 色彩抖动2）深度学习高级增强（YOLO 框架内置）：Mosaic、MixUp、CutMix、Copy-Paste3）文本增强：回译、同义词替换、随机掩码

5. 模型训练（两大分支：传统机器学习 + 深度学习）

（1）传统机器学习算法（cv2.ml/ Scikit-learn）

分类：KNN、SVM、决策树、随机森林、AdaBoost、朴素贝叶斯、逻辑回归聚类：K-Means、EM、DBSCAN、层次聚类梯度提升树（OpenCV 无）：XGBoost、LightGBM、CatBoost优化器：SGD 随机梯度下降

（2）深度学习算法

计算机视觉（YOLO / 分割 / 分类）

骨干网络：Darknet53、C2f、ResNet、MobileNet特征融合：SPPF、FPN、PANet检测头：解耦检测头、Anchor-Free 无锚框分割网络：U-Net、Mask R-CNN、SAM

NLP 大模型

Transformer（自注意力、多头注意力），衍生：GPT、BERT、LLaMA

通用训练核心

损失函数：CIoU/DIoU/GIoU、BCE、交叉熵、MSE、MAE优化器：SGD、Adam、AdamW底层逻辑：反向传播、链式求导、梯度下降

训练加速技术

CUDA、cuDNN、混合精度 AMP、DDP 多卡分布式训练、梯度累积

6. 模型调优 & 正则化

正则化算法：L1/L2 权重衰减、Dropout、DropPath、早停 EarlyStop学习率调度：Warmup 预热、余弦退火 CosineLR、StepLR 分段衰减超参优化：网格搜索、随机搜索、贝叶斯优化特征工程：PCA、TSNE、UMAP 降维；方差筛选、互信息特征选择

7. 模型评估算法

通用分类指标：准确率、精确率、召回率、F1、AUC-ROC目标检测专用：IOU 交并比、NMS 非极大值抑制、mAP 平均精度回归指标：MSE、MAE、R²

8. 模型压缩 & 推理部署

压缩算法

模型剪枝、量化（FP16/INT8）、知识蒸馏

推理加速技术

ONNX、TensorRT、OpenVINO、OpenCV cv2.dnn 推理模块

后处理算法

NMS/Soft-NMS、置信度阈值过滤

可视化

OpenCV 绘制检测框、标签，输出图片 / 视频

二、AI 主流落地场景（4 大类别，覆盖工业、互联网、安防、自动驾驶）

（一）计算机视觉 CV 场景（YOLO、图像分割为主）

1. 工业缺陷检测：零部件划痕、污渍、缺料质检
2. 安防监控：行人检测、车辆识别、人脸识别、烟火 / 异常行为检测
3. 自动驾驶：车辆、行人、交通标识、车道线检测
4. 医疗影像：CT / 胸片病灶分割、肿瘤识别
5. 消费视觉：手机人脸解锁、美颜、OCR 文字识别
6. 农业视觉：农作物病虫害识别、果实计数、杂草分割

（二）自然语言处理 NLP 大模型场景

1. 通用对话：智能客服、聊天机器人、AI 助手
2. 文本生成：文案写作、代码生成、论文润色、翻译
3. 内容理解：情感分析、新闻摘要、关键词提取、文档检索
4. 行业专用：法律文书分析、医疗问诊、教育答疑批改

（三）传统机器学习场景（表格结构化数据）

1. 金融风控：信贷风险评估、信用卡欺诈识别
2. 用户推荐：电商商品推荐、短视频内容推荐
3. 销量预测：库存预测、客流量、房价等回归预测
4. 客户分群：用户聚类分层、精准营销
5. 故障预测：设备剩余寿命预测、设备异常预警

（四）多模态 AI 场景（图文、音视频融合）

1. 文生图 / 图生图：AI 绘画、商品效果图生成
2. 图文理解：图片描述、图文检索、多模态问答
3. 音视频 AI：语音识别、语音合成、视频字幕生成、视频内容审核

（五）强化学习场景

1. 机器人控制：机械臂抓取、自动驾驶决策
2. 游戏 AI：游戏智能体对战
3. 大模型对齐：RLHF 人类反馈强化学习，优化模型回答逻辑

三、补充关键总结

1. OpenCV 仅覆盖图像预处理、少量传统机器学习、推理可视化，无法做深度学习训练；
2. 层级关系：人工智能 AI > 机器学习 ML（传统 ML + 深度学习 DL）> 深度学习；
3. 视觉项目（工业检测、安防）核心依靠 YOLO 类深度学习；表格业务数据优先使用 XGBoost/LightGBM 传统机器学习。

人工智能 AI一共包含哪些

人工智能 AI 完整分层体系（从宏观大类到细分算法、应用）

一、三层核心从属关系（顶层分类）

人工智能（AI）

1. 符号人工智能（传统 AI / 规则式 AI）
2. 机器学习（ML，现代 AI 主流）
   • 传统机器学习（无神经网络）
   • 深度学习（DL，多层神经网络）
3. 强化学习（部分划分归为机器学习子分支，独立场景）

二、逐层拆解全部细分内容

1. 符号人工智能（早期 AI，不靠数据训练）

核心：人工编写逻辑规则、知识库，硬编码推理逻辑

• 专家系统：医疗诊断专家系统、工业故障判定系统
• 逻辑推理、知识图谱（早期规则图谱）
• 应用：老式客服问答、简单计算器逻辑、工业固定规则检测特点：不需要训练数据集，无法自主学习泛化。

2. 机器学习 ML（AI 最核心分支，依靠数据自动学习规律）

分支 A：传统机器学习（无神经网络）

（1）监督学习（带标签数据）

分类算法：KNN、SVM、决策树、随机森林、AdaBoost、朴素贝叶斯、逻辑回归、XGBoost/LightGBM/CatBoost回归算法：线性回归、岭回归、Lasso 回归

（2）无监督学习（无标签数据）

聚类：K-Means、EM、DBSCAN、层次聚类降维：PCA、t-SNE、UMAP关联挖掘：Apriori

（3）半监督学习（少量标注 + 大量无标注）

伪标签、标签传播、半监督 SVM

分支 B：深度学习 DL（多层神经网络，当前落地主流）

依靠多层网络自动提取特征，分四大赛道：

1. **NLP 自然语言处理（代表：LLM 通用大模型）**底层架构：Transformer（自注意力）模型：GPT、LLaMA、通义千问、Qwen、ChatGLM应用：对话机器人、翻译、文案生成、代码生成、文档理解

2. **CV 计算机视觉（代表：YOLO 系列目标检测）**底层架构：CNN 卷积神经网络细分方向：

• 图像分类：ResNet、MobileNet
• 目标检测：YOLOv5/v8/v11、Faster R-CNN、SSD
• 图像分割：U-Net、Mask R-CNN、SAM配套工具：OpenCV（图像预处理、推理可视化）应用：工业质检、安防、自动驾驶、医疗影像、人脸识别

1. 语音 AI模型：语音识别 ASR、语音合成 TTS应用：语音转文字、智能音箱、配音 AI

2. **多模态大模型（图文音视频融合）**模型：GPT-4V、Qwen-VL、Midjourney应用：AI 绘画、图文问答、视频理解

3. 强化学习 RL（可独立分支，也归类机器学习）

核心：智能体与环境交互，通过奖励函数学习最优决策

经典算法

Q-Learning、DQN、A2C、PPO

两大应用场景

1. 机器人控制：机械臂抓取、自动驾驶决策
2. 大模型人类对齐：RLHF（LLM 微调必备）
3. 游戏 AI、智能调度系统

三、AI 按落地应用场景完整划分

1. 计算机视觉场景：工业缺陷检测、人脸识别、监控行人车辆检测、自动驾驶、医疗 CT 病灶识别
2. 自然语言大模型场景：智能客服、AI 写作、代码助手、翻译、法律 / 医疗问答
3. 结构化数据传统机器学习场景：金融风控、用户推荐、销量预测、客户分群、设备故障预警
4. 语音 AI 场景：语音转写、智能音箱、AI 配音
5. 多模态场景：文生图、图生图、短视频 AI 生成、图文问答
6. 强化学习场景：机器人、自动驾驶决策、大模型人类对齐

四、关键总结（对应你前面问的 YOLO、LLM）

1. LLM 大模型、YOLO 目标检测 都属于：人工智能 → 机器学习 → 深度学习
2. OpenCV 不属于 AI 算法体系，只是计算机视觉配套工具库；
3. 传统机器学习（SVM/XGBoost/Kmeans）和深度学习（LLM/YOLO）是机器学习两大并列子分类；
4. 符号 AI 是早期老旧 AI，现在工业、互联网落地几乎全部使用机器学习 / 深度学习。