机器学习、深度学习、强化学习、神经网络、自注意力机制

概念层级梳理(由大到小,清晰从属关系)

  1. 机器学习(Machine Learning, ML)

最大范畴

定义:让计算机不用人工编写全部规则,从数据中自动学习规律的一类方法。

两大分支:

传统机器学习:线性回归、SVM、随机森林、K-Means 等

深度学习(属于机器学习的子集)

核心思想:从数据拟合映射关系

y=f(x)

  1. 深度学习(Deep Learning, DL)

机器学习的子集

特指使用多层神经网络的机器学习方法;依靠多层结构自动提取特征,不需要人工设计特征。

传统机器学习:人工设计特征 → 模型预测

深度学习:原始数据输入 → 网络自动提取特征 → 预测

  1. 神经网络(Neural Network, NN)

深度学习的基础载体

模仿人脑神经元连接的数学模型:神经元接收输入、加权求和、激活输出。

浅层神经网络:只有 1~2 层隐藏层

深度神经网络 DNN:多层网络,也就是深度学习用到的基础结构

常见变体:CNN 卷积神经网络、RNN 循环神经网络、Transformer(内含自注意力)

  1. 自注意力机制(Self-Attention)

神经网络里的一种核心组件

出自 Transformer 架构。

作用:序列内部每个元素,自动计算和序列中所有元素的关联权重。

解决 RNN 串行无法并行、长距离依赖捕捉困难的问题。

公式简化理解:

应用:大语言模型 LLM、ViT 视觉 Transformer。

关系:自注意力 ≠ 网络,只是网络内部的模块,可以嵌入神经网络。

  1. 强化学习(Reinforcement Learning, RL)

独立于监督 / 无监督学习的机器学习范式

机器学习三大范式:

监督学习(有标签)

无监督学习(无标签)

强化学习(智能体与环境交互,靠奖励信号学习)

核心要素:智能体 Agent、环境 Environment、动作 Action、状态 State、奖励 Reward。

目标:学习策略,最大化长期累积奖励。

交叉概念:深度强化学习(DRL)

把神经网络当作强化学习里的价值网络 / 策略网络,例如 DQN、PPO。

通俗一句话区分

机器学习: 所有让机器从数据学规律方法的统称;

神经网络: 一套模仿神经元的数学模型;

深度学习: 用多层神经网络的机器学习;

自注意力: 神经网络里用来捕捉长距离关联的零件;

**强化学习:**通过和环境试错、拿奖励来学习,不靠现成标注数据。

相关推荐
可夫小子12 分钟前
13 条数据跑出 65.87 分:这场 48 小时真机挑战赛,拆穿了具身智能的落地真相
人工智能
大模型真好玩1 小时前
做好真人分身却不知道拍什么?8个视频应用场景直接抄
人工智能·agent·deepseek
ZhengEnCi1 小时前
黄仁勋想回英伟达却被拒:创始人 CEO 辞职后为什么回不来,董事会继任机制全拆解
人工智能·nvidia·团队管理
真上帝的左手1 小时前
26. AI-大语言模型-基础
人工智能·ai·架构·llm·大语言模型
墨林陌2 小时前
AI 热点日报(2026-11-18):OpenAI 发布 GPT-6.2,APEC 峰会聚焦 AI,AI 制药融资创新高
人工智能
byte轻骑兵2 小时前
【ATT】规范精讲[8]:配置要确认、灌包要速度、多字段要原子——BLE 写入的四重选择
人工智能·aiot·l2cap·嵌入式蓝牙·蓝牙链路管理
AAA修煤气灶刘哥2 小时前
Agent 都能干活了,软件还需要那么多按钮吗?
人工智能·后端·架构
Purple Coder3 小时前
开题报告学习
人工智能
狂师3 小时前
牛逼!谷歌亲自下场开源的AI自动化神器!
人工智能·开源·测试
金融小师妹4 小时前
多因子关联模型:黄金与铜价同步回落背后的金融变量及PPI传导分析
大数据·人工智能·金融