feat: update docs and components, fix DLQ demo bug

This commit is contained in:
sanbuphy
2026-01-18 12:21:49 +08:00
parent 26ed39e1eb
commit e41063a1cd
159 changed files with 54236 additions and 2525 deletions
+18 -11
View File
@@ -21,14 +21,18 @@
这被称为**专家系统 (Expert Systems)**。
### 1.1 什么是"基于规则"
就像教小孩:
* 如果看到红灯,就停下。
* 如果下雨,就带伞
- 如果看到红灯,就停下
- 如果下雨,就带伞。
### 1.2 交互演示:规则 vs 学习
下方的演示展示了两种方式的区别。
* **左边 (规则)**:你必须显式地写代码 `if (size > 6)`。如果世界变了(比如苹果变小了),你的代码就失效了。
* **右边 (学习)**:你不需要写规则。你只需要给机器看一堆苹果和樱桃的数据,点击 **Train**,它自己会"悟"出一个分界线
- **左边 (规则)**:你必须显式地写代码 `if (size > 6)`。如果世界变了(比如苹果变小了),你的代码就失效了
- **右边 (学习)**:你不需要写规则。你只需要给机器看一堆苹果和樱桃的数据,点击 **Train**,它自己会"悟"出一个分界线。
<RuleBasedVsLearningDemo />
@@ -44,6 +48,7 @@
科学家开始模仿人脑的结构——**神经元**。
### 2.1 感知机 (Perceptron)
这是最简单的神经元模型。它接收多个输入,根据**权重 (Weight)** 加权求和,如果超过某个**阈值 (Bias)**,就激活。
$$ Output = \begin{cases} 1 & \text{if } \sum (w_i \cdot x_i) + b > 0 \\ 0 & \text{otherwise} \end{cases} $$
@@ -51,9 +56,11 @@ $$ Output = \begin{cases} 1 & \text{if } \sum (w_i \cdot x_i) + b > 0 \\ 0 & \te
听起来很复杂?动手试一下!
### 2.2 交互演示:玩转神经元
调整下方的 **Weights (权重)****Bias (偏置)**,看看能否控制神经元的输出。
* **Weights ($w$)**:代表输入的"重要性"。$w$ 越大,这个输入对结果影响越大。
* **Bias ($b$)**:代表神经元的"门槛"。$b$ 越小,神经元越容易兴奋(输出 1
- **Weights ($w$)**:代表输入的"重要性"。$w$ 越大,这个输入对结果影响越大
- **Bias ($b$)**:代表神经元的"门槛"。$b$ 越小,神经元越容易兴奋(输出 1)。
<PerceptronDemo />
@@ -74,10 +81,10 @@ $$ Output = \begin{cases} 1 & \text{if } \sum (w_i \cdot x_i) + b > 0 \\ 0 & \te
## 4. 总结
| 时代 | 核心理念 | 代表产物 | 局限 |
| :--- | :--- | :--- | :--- |
| **符号主义** | 智慧 = 规则 | 深蓝 (下棋), 医疗诊断系统 | 无法处理模糊、复杂的现实世界 |
| **连接主义** | 智慧 = 神经网络 | AlphaGo, 人脸识别 | 需要海量数据,是个"黑盒" |
| **生成式 AI** | 智慧 = 通用理解 | ChatGPT, Midjourney | 幻觉 (一本正经胡说八道) |
| 时代 | 核心理念 | 代表产物 | 局限 |
| :------------ | :-------------- | :------------------------ | :--------------------------- |
| **符号主义** | 智慧 = 规则 | 深蓝 (下棋), 医疗诊断系统 | 无法处理模糊、复杂的现实世界 |
| **连接主义** | 智慧 = 神经网络 | AlphaGo, 人脸识别 | 需要海量数据,是个"黑盒" |
| **生成式 AI** | 智慧 = 通用理解 | ChatGPT, Midjourney | 幻觉 (一本正经胡说八道) |
AI 的进化,就是从"人工设定规则"到"机器自动学习数据"的过程。