第2章 人工智能基础
来源：书内印刷页 16–39；OCR PDF 页序约 27–50。
-
本章解决的问题
人工智能的基本含义和发展脉络是什么？机器学习怎样从数据中学习，常用算法各适用于什么类型的问题？ -
本章的核心结论
人工智能包含多个研究路径与技术层次，机器学习是其中重要方法之一。机器学习通过样本和算法拟合规律，再用于分类、预测等任务；算法选择应匹配数据特征和业务目标，模型结果需要评价而不能仅凭技术名称判断优劣。 -
关键概念
- 人工智能（AI）：使机器执行感知、学习、推理或决策等任务的技术与方法集合。
- 机器学习：从数据样本中学习规律并将其用于新数据判断的方法。
- 监督学习：利用带有目标标签的样本学习映射关系。
- 无监督学习：在缺少目标标签时发现数据结构或群组特征。
- 深度学习：使用多层神经网络进行特征表示与学习的一类方法。
-
重要论据
- 人工智能经历多个发展阶段，能力发展受到算法、数据、算力和应用条件影响。
- 本章介绍人工智能主流学派，说明智能问题存在不同的理论和实现路径。
- 机器学习算法需要在具体任务中比较；样本、特征及标签的质量会影响建模结果。
- 算法效果不能脱离训练数据、评价指标和业务使用方式来理解。
-
具体案例
- 本章以典型机器学习算法说明分类、预测等问题的建模思路，为后续的风控、投顾和营销案例提供技术基础；并未把某一算法认定为普遍最优。
-
作者提出的方法
先定义待解决的问题和目标变量，再准备样本与特征，选择与数据及任务匹配的算法，使用合适指标验证模型，之后再考虑业务部署。 -
可能的隐含假设
- 训练样本能代表实际运行环境，且标签定义可靠。
- 历史数据中学到的模式对未来仍有一定预测价值。
- 业务方能理解模型目标及其适用边界。
-
与其他章节的联系
本章提供第3章人工智能平台与应用的算法基础，也支撑第6章量化投资、第7章智能投顾、第8章智能风控及第12章案例建模。 -
一句话总结
人工智能应用要从任务、数据和评价出发选择方法，机器学习只是实现智能能力的一组工具。 -
原文依据或页码
书内印刷页 16–39：2.1 人工智能概述、2.2 机器学习算法。
自测：①机器学习建模为何需要先定义标签或目标？②评价算法时为什么不能只看算法名称？