第十三卷：AI 与机器学习

从搜索算法到 LLM，让程序从规则执行走向数据驱动决策。

前置要求

需要编程+数学基础。理解线性代数、概率论基本概念。先完成 Vol 10 + Vol 12。

卷号说明：本卷从原第十二卷调整至此，放在数据处理与数据科学（Vol 12）之后，因为数据预处理和特征工程是 ML 的前置知识。内容分为四层：经典 AI → 机器学习 → 深度学习 → 现代生成式 AI，避免读者误以为 AI = ML = 深度学习 = LLM。

本卷内容

先学会搜索和推理（Part 1），再掌握数据驱动的学习方法（Part 2），然后深入神经网络的奥秘（Part 3），最后看看现代大模型怎么工作和使用（Part 4）。

章节一览

Part 1: 经典 AI

#	章节名称	内容概要	前置
1	搜索算法	BFS/DFS/A*/博弈树、对抗搜索	Vol 2 图
2	知识表示与推理	逻辑、CSP、贝叶斯网络	Vol 10 Math A
3	强化学习基础	MDP、Q-Learning、Policy Gradient	ch1

Part 2: 机器学习

#	章节名称	内容概要	前置
4	机器学习基础	数据/特征、训练/验证/测试集、过拟合与正则化	Vol 12 ch7
5	线性模型	线性回归、逻辑回归、正则化	Vol 10 Math C
6	树模型与集成	决策树、随机森林、XGBoost、Bagging/Boosting	ch4
7	无监督学习	聚类(K-means/DBSCAN)、降维(PCA/t-SNE)、异常检测	ch4
8	模型评估与调优	交叉验证、混淆矩阵、AUC-ROC、超参数搜索	ch4-5

Part 3: 深度学习

#	章节名称	内容概要	前置
9	神经网络基础	感知机、反向传播、激活函数、优化器	ch5, Math C
10	深度学习进阶	CNN、RNN、Attention、Transformer 架构	ch9

Part 4: 现代生成式 AI

#	章节名称	内容概要	前置
11	预训练与微调	Tokenization、BERT/GPT 预训练目标、Prompt 工程、Fine-tuning	ch10
12	LLM 原理与应用	Alignment (RLHF/DPO)、RAG、Agent、Evaluation	ch11
13	AI 伦理与安全	偏见、可解释性、红队测试、AI 安全	—
14	AI 系统模式	Cache-Augmented 生成、多 Agent 协作、评估框架	ch12

前置知识：编程基础（Vol 1），Vol 10 Math B+C（概率、线代），Vol 12 数据处理（特征工程）

完成标志：能区分 AI/ML/DL/LLM 各层；能独立完成一个 ML 项目；理解 Transformer 原理；了解 RAG 和 Agent 基本架构

---

本卷共 14 章，待编写