AI相关概念层级通俗梳理

整体层级关系（从大到小）

人工智能（AI）
包含两大常用分支：机器学习、数据挖掘；同时涵盖知识表示、逻辑推理、NLP、计算机视觉等方向。

1. 机器学习 Machine Learning

一类技术方法论，目标让模型从数据中习得规律；模式识别属于机器学习典型应用，起源工业场景。

按学习方式划分

1. 全监督学习：带有标注数据；代表：回归、朴素贝叶斯、SVM支持向量机
2. 无监督学习：无标签数据自动挖掘规律；代表：聚类、降维算法
3. 半监督学习：少量标注 + 大量无标注数据混合训练
4. 强化学习：依靠环境奖励信号持续优化策略
5. 迁移学习：把已有模型知识迁移到新任务

按照是否使用神经网络划分

- 非神经网络传统机器学习
- 神经网络 Neural Network
多层叠加的神经网络 → 深度学习 Deep Learning

大语言模型LLM本质属于深度学习分支。

2. 数据挖掘 Data Mining

偏向业务应用视角，依托机器学习算法，从海量数据里发现有商业价值信息，常和机器学习技术重叠，但出发点侧重商业产出。

概念一句话区分

- 人工智能：广阔学科领域，目标实现类人智能
- 机器学习：实现AI主流技术手段
- 深度学习：采用多层神经网络的机器学习子集
- 数据挖掘：机器学习在业务数据分析上的应用场景
- 模式识别：机器学习的经典应用方向（图像、信号识别等）

AI基础概念科普 机器学习入门