机器学习、深度学习和大模型，经常傻傻的分不清，这里将结合图文跟大家讲清楚。

假设我们有一个文本情感分析的任务,需要判断一段文本的情感是正面、负面还是中性。下面分别是机器学习、深度学习和大模型的实现方式。

一、机器学习

（1）场景：机器学习一般要针对某个特定场景来进行训练，比如以上的“判断一段文本的情感是正面、负面还是中性”就是典型的一个机器学习场景。

（2）输入：机器学习一般只接收结构化数据的输入，如果是非结构化数据，也要转化为结构化数据，比如本案例中虽然原始输入的是一些文本，但真正输入到模型进行训练的数据已经被转化成了结构化的特征向量，如上图中的[[1, 0], [1, 1], [1, 0], [0, 1]]，每一行代表的是一段文本输入转化成的的结构化输入，这里一共有四个记录。

（3）特征向量：机器学习的特征变量是明确的，主要依赖人工经验选择确定，比如本案例中设计出来的特征变量有两个，分别是“正面词数量”，“负面词数量”，要判断一段文本是正面还是负面，一般首先会想到通过分词找到正负面的词，然后以这些词的频率作为x变量，因为这是最相关的。

（4）输出：对输出·文本的正负情感进行人工标识，作为y，比如本案例中[1, 0, 1, 0]，代表输入的文本的情感分别为正、负、正、负。

（5）模型训练：要训练模型，需要选择合适的机器学习算法，这里选择的经典算法SVM，然后基于前面的输入和输出进行训练，最终得到一个SVM模型。

（6）推理：下图显示了机器学习推理过程，输入一段符合场景的文本，该模型就可以对文本的情感进行预测。

二、深度学习

（1）场景：深度学习跟机器学习类似，一般要针对某个特定场景来进行训练，假设是同样的文本情感识别场景。

（2）输入：深度学习是在文本，图形识别中发展起来的，因此特别擅长于处理图文等非结构化数据，跟机器学习不同，深度学习不需要显式构建特征变量，本案例中只需要将文本转化成机器能处理的数字即可，比如将输入的两段文本映射成[1, 2, 3, 4, 0]、[1, 5, 2, 3, 4]，模型训练接受的输入是原始的映射数据，不是特征向量。

（3）特征向量：相比机器学习,深度学习的特征表示是在训练中自己生成的，不需要在输入阶段人工显式构造。

（4）输出：跟机器学习类似，对输出文本的正负情感进行人工标识，作为y，比如本案例中[1, 0]，代表输入的文本的情感分别为正、负。

（6）推理：下图显示了深度学习推理过程，输入一段符合场景的文本，该模型就可以对文本的情感进行预测，跟机器学习基本一致。

三、大模型

（1）场景：大模型跟深度学习、机器学习不同，一般是指预训练模型，其不针对某个特定场景来进行训练，致力于学习语言的一般规律和知识，可以适用于所有的通用场景。

（2）输入输出：在预训练阶段使用大规模未标注文本数据作为输入x，这些文本不需区分特定场景，也无需标注y。

（3）特征向量：大模型跟深度学习的特征表示一样，是在训练中自己生成的，不需要在输入阶段人工显式构造。

（4）推理：下图显示了大模型推理过程，其适用于任意场景，输入任意文本，预训练模型都可以基于输入的文本进行生成式回复。

（5）微调：假如大模型的预训练模型不足以满足某特定任务的要求，那么还可以针对特定任务再进行微调训练，微调训练过程等同于深度学习，即构造针对特定任务的x，y来进行深度学习的训练。如果说深度学习的特征学习和任务训练是同时进行的,那么大模型的特征学习(预训练)和任务训练(微调)是分阶段进行的。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】