人工智能相关
或者学过什么人工智能相关课程没有，对人工智能有什么看法
人工智能（Artificial Intelligence），AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。
机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识和复杂算法知识，使用计算机作为工具并致力于模拟人类的学习方式，并将现有内容进行知识结构划分来有效提高学习效率。
常见的机器学习算法有线性回归，逻辑回归，决策树，SVM（支持向量机），神经网络等
机器学习根据训练方法大致可以分为3大类：
监督学习
监督学习是指我们给算法一个数据集，并且给定正确答案(标签)。机器通过数据来学习正确答案的计算方法。
这种通过大量人工打标签来帮助机器学习的方式就是监督学习。这种学习方式效果非常好，但是成本也非常高。
无监督学习
无监督学习中，给定的数据集没有“正确答案”，所有的数据都是一样的。无监督学习的任务是从给定的数据集中，挖掘出潜在的结构。
无监督学习中，虽然照片分为了猫和狗，但是机器并不知道哪个是猫，哪个是狗。对于机器来说，相当于分成了 A、B 两类。
强化学习
强化学习更接近生物学习的本质，因此有望获得更高的智能。它关注的是智能体如何在环境中采取一系列行为，从而获得最大的累积回报。通过强化学习，一个智能体应该知道在什么状态下应该采取什么行为。
机器学习在实际操作层面一共分为7步：
数据挖掘是人工智能和数据库领域研究的热点问题，数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，作出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，作出正确的决策。
深度学习(DL)是机器学习领域中一个新的研究方向。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
计算机视觉是深度学习领域最热门的研究领域之一。计算机视觉：使用计算机模拟人的大脑视觉机理获取和处理信息的能力，例如进行图像目标的检测、识别、跟踪等任务。计算机视觉也是跨领域交叉学科，包括了统计学、计算机科学、数学，工程学，生物学等学科，最终的目标就是实现计算机对三维现实世界的理解，实现人类视觉系统的功能。更抽象的，计算机视觉可以是看作在图像等高维数据中的感知问题，包含了，模式识别，图像处理和图像理解等。
计算机视觉有实际的应用，例如：人脸识别，如手机的人脸解锁，支付软件的人脸识别支付
图像检索：Google 使用基于内容的查询来搜索相关图片，算法分析查询图像中的内容并根据最佳匹配内容返回结果。
监测：各大公共场所中使用监视摄像头监测可疑行为。
生物识别技术：指纹、虹膜和人脸匹配
计算机视觉五大技术
图像分类，对象检测，目标跟踪，语义分割，实例分割
这5 种主要的计算机视觉技术可以协助计算机从单个或一系列图像中提取、分析和理解有用的信息。
神经网络，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。
第一类是视觉感知方面的工作，包括语音识别、计算机视觉，比如安检过程中的危险物品识别，机器一定会做得比人类更好，并且由于这类工作相对比较枯燥、易疲劳，AI就是一个更好的选择。
第二类，一些重复性的工作，我们称之为专家系统，它可以通过数据的收集与分析来优化。比如工厂里面的预防性维修，工厂的产线与机器都很复杂，当一台机器出现损坏，首先需要找出原因，然后再做维修，在这个过程中可能就会产生延时宕工；又比如电梯，当电梯损坏时再做维修，造成的人力、物力与时间成本都很难预计。现在利用物联网与AI，可以随时上传数据，利用数据里涵盖的声音、速度等各类参数进行建模，当监测到相关数据达到一个的特征值的时候，则可以预测到机器的使用情况，对其进行预防式维修。当AI、物联网与大数据结合来做这项工作，对于产业将产生巨大的价值。
那么，什么样的工作容易被人工智能或ChatGpt替代？一般认为以下三类工作容易被替代。
第一类
运营小编、律师助理、媒体人、法律咨询师、市场分析师、家庭教师等这类注重信息收集、分析、加工的职业。
人工智能在海量信息存储、处理和分析上有着天然优势。
第二类
会计、财务顾问、交易员等这类处理大量数据的工作。
人工智能在数据处理上具有更高的效率。
第三类
公司客服、心里咨询师、电话推销员等这类语言交互工作。
人工智能没有感情，不会疲劳，更适合这类固定场景对话，事实上，当前智能客服已经在市场上被大量使用。
AI可以做很多工作，但人类在很多方面仍然是无法取代的。因为人贵在有创造力，而AI目前在创造力上的进展尚无迹可寻。比如人文工作，比如商业投资中的洞察力、判断力，都是AI做不到的。AI可以通过分析数据来帮助人类做决定，但人类本身不可预测的创造力将很难被AI取代。
人类的创造力不是靠大数据，而是多半看小数据，甚至没有数据。以爱因斯坦为例，他在100多年前提出了引力波的概念，而直到100多年后，科技得到了日新月异的颠覆式进步，我们才终于开始探测到引力波的数据；爱因斯坦能在没有数据的情况下提出引力波，我们很难下结论，下一个创造力在哪里，也仍然是未知，所以我认为现在的技术距离人工智能拥有创造力还有很长的路要走。
未来的确会有大量工人失业、无数的岗位会被顶替，不过依然会有千千万万的新岗位诞生出来。
（结合日常，就是常见的机器人啊、指纹、人脸识别这种感觉很科技的都用到了人工智能）
人工智能的应用实例：指纹识别、人脸识别、视网膜识别、虹膜识别、专家系统、智能搜索和博弈等
目前人工智能应用领域比较多，具体如下：
机器人领域：人工智能机器人，如聊天机器人和扫地机器人，它能理解人的语言，用人类语言进行对话，并能够用特定传感器采集分析出现的情况调整自己的动作来达到特定目的。
语言识别领域：该领域其实与机器人领域有交叉，设计的应用是把语言和声音转换成可处理的信息，如语音开锁、语音邮件以及语音输入等方面。
图像识别领域：利用计算机进行图像处理、分析和理解，以识别各种不同模式的目标和对象的技术；例如人脸识别，汽车牌号识别等。
专家系统：具有专门知识和经验的计算机智能程序系统，后台采用的数据库相当于人脑，具有丰富的知识储备，采用数据库中的知识数据和知识推理技术来模拟专家解决复杂问题
弱人工智能：
弱人工智能是擅长与单个方面的人工智能，比如有能战胜象棋世界冠军的人工智能，但是它只会下象棋，你要问它怎样更好地在硬盘上存储数据，它就不知道怎么回答你了。这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。
强人工智能：
强人工智能是人类级别的人工智能，强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。创造强人工智能比创造弱人工智能要难得多，我们现在还做不到。能够进行思考、计划、解决问题、抽象思维、理解复杂理念，强人工智能在进行这些操作时，应该和人类一样得心应手；
超人工智能：
超人工智能 在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科技创新、通识和社交技能。超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍，超人工智能也正是为什么人工智能这个话题这么火热的缘故，同样也是为什么永生和灭绝这两个词会在本文中多次出现。
去年问到的一些问题
你在你们专业排名咋样，大学排名就为什么初试成绩还可以，本科排名靠后
本来学过哪些相关的课程，本科擅长的课程
有通信跨考的问 有没有自学过人工智能的课程，回没学过，然后让说了几个人工智能的核心课程
大创项目设计，用到的算法的英文
chatgpt和文心一言的技术差异在哪里，
我国人工智能领域卡脖子技术有哪些？
笔试最后两道对人工智能的了解，研究生阶段的规划，可能会从中问一些问题
世界上流行的算法
有哪些排序算法，说说快排的过程，时间复杂度
还问对人工智能哪些方面感兴趣
用博弈论分析一下俄乌局势
原文链接：https://blog.csdn.net/zhendong825/article/details/136603769?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522171851498716800178550137%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=171851498716800178550137&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~times_rank-3-136603769-null-null.nonecase&utm_term=AI%E9%9D%A2%E8%AF%95
