机器学习全分类算法 AI 全阶段对应 落地实现方式总览AI 完整生命周期5 大阶段数据预处理阶段传统机器学习算法 图像处理算法特征工程阶段降维、特征选择、特征提取算法模型训练阶段传统机器学习、深度学习两大分支模型评估与调优阶段评估指标、超参搜索、正则化算法推理部署阶段模型压缩、加速、后处理算法一、第一大类传统机器学习算法无深度神经网络1. 监督学习有标签数据分类 / 回归任务表格算法适用任务所属 AI 阶段实现方式线性回归回归预测连续值温度、价格模型训练阶段PythonScikit-learn底层最小二乘法矩阵运算核心拟合线性方程 \(ywxb\)逻辑回归二分类判断是否缺陷、是否垃圾信息模型训练阶段Sklearn 实现用 Sigmoid 将输出映射 0~1阈值划分类别工业缺陷筛选基础算法决策树多分类 / 回归可解释性强模型训练阶段ID3/CART 分裂规则递归划分特征Sklearn、CART 手写实现可视化树结构方便调参随机森林 RF分类 / 回归抗过拟合模型训练阶段集成学习多棵独立决策树并行训练投票输出结果Sklearn 封装可自定义树数量、深度XGBoost / LightGBM / CatBoost分类 / 回归表格数据 SOTA业务数据首选模型训练阶段梯度提升树 GBDT 迭代训练每棵树拟合上一轮残差C 底层封装Python 调用支持缺失值、自动特征筛选SVM 支持向量机二分类小样本、高维数据模型训练阶段寻找最大间隔超平面核函数线性 / 高斯 RBF处理非线性数据Sklearn、LibSVM 底层库KNN K 近邻分类 / 回归简单小样本模型训练阶段无训练过程推理时计算样本距离欧氏 / 曼哈顿距离取最近 K 个样本投票Sklearn 实现适合低数据量场景2. 无监督学习无标签数据聚类 / 降维表格算法作用所属 AI 阶段实现方式K-Means 聚类自动给相似样本分组图片分组、用户分群数据预处理 / 特征工程随机初始化聚类中心迭代更新中心点直到收敛SklearnOpenCV 内置图像聚类DBSCAN 密度聚类不规则聚类、自动识别异常值数据预处理基于样本密度分组无需提前指定聚类数量用于脏数据清洗、异常样本剔除PCA 主成分分析数据降维去除冗余特征特征工程矩阵特征值分解保留数据主要信息减少特征维度Sklearn压缩图像、表格特征TSNE / UMAP高维数据可视化降维特征工程非线性降维把百维特征映射到 2D/3D 方便观察数据分布多用于数据集分布校验关联规则挖掘 Apriori挖掘数据相关性商品搭配、特征关联数据预处理频繁项集挖掘找出数据间强关联规则3. 半监督学习少量标注 大量无标注数据代表算法半监督 SVM、标签传播 Label Propagation、伪标签 Pseudo Label阶段模型训练阶段实现逻辑先用少量标注数据训练基础模型给无标注数据生成伪标签迭代扩充训练集常用于标注成本高的工业视觉项目。4. 强化学习智能体与环境交互学习最优策略经典算法Q-Learning、DQN 深度 Q 网络、PPO 近端策略优化、A2C/A3C阶段模型训练阶段实现搭建仿真环境智能体执行动作获取奖励迭代优化策略应用于大模型 RLHF 人类对齐、机器人视觉控制。二、第二大类深度学习算法神经网络现代 AI 核心你 YOLO 训练核心1. 基础神经网络1全连接神经网络DNN阶段模型训练实现多层线性层 激活函数处理表格一维数据PyTorch/TensorFlow 搭建nn.Linear层2. 计算机视觉 CV 深度学习YOLO、图像任务1CNN 卷积神经网络基础模块 Conv 卷积、Pool 池化、BN 批量归一化骨干网络ResNet、Darknet、C2fYOLOv8 2检测专用算法YOLO 系列、Faster R-CNN、SSD 3分割算法U-Net、Mask R-CNN、SAM阶段模型训练、数据增强预处理实现PyTorch Ultralytics 框架通过default.yaml配置超参数训练OpenCV 做图像预处理3. 自然语言处理 NLP 深度学习大模型Transformer 架构自注意力机制衍生GPT 解码器、BERT 编码器、LLaMA 大模型阶段模型训练、微调 SFT、RLHF 对齐实现Hugging Face Transformers 库LoRA 轻量化微调三、配套辅助机器学习算法分布在 AI 各个前置 / 后置阶段阶段 1数据预处理清洗、标准化距离算法欧氏距离、余弦距离去重、异常检测标准化算法MinMax 归一化、Z-Score 标准化哈希算法SimHash、dHash图像 / 文本去重剔除重复训练样本实现Pandas、NumPy、OpenCV代码逐行处理原始数据过滤脏样本。阶段 2特征工程提取有效特征特征选择方差筛选、互信息、卡方检验剔除无效特征降维算法PCA、UMAP减少特征冗余加速训练实现Scikit-learn 内置 API对清洗后数据集做特征变换。阶段 3模型调优 正则化防止过拟合提升泛化能力超参搜索网格搜索 GridSearch、随机搜索 RandomSearch、贝叶斯优化正则化算法L1/L2 权重衰减、Dropout、早停 EarlyStop学习率调度余弦退火、Warmup 预热实现Sklearn 调参工具、PyTorch 内置 scheduler在default.yaml配置参数生效。阶段 4模型评估算法验证模型效果分类指标准确率 Acc、精确率 Precision、召回率 Recall、F1、AUC-ROC回归指标MSE 均方误差、MAE 平均绝对误差、R²目标检测专用IOU 交并比、mAP 平均精度YOLO 验证核心指标实现Sklearn 计算指标Ultralytics 自动计算 mAP 并输出日志。阶段 5推理部署阶段算法训练完成后落地模型压缩量化INT8/FP16、剪枝、知识蒸馏后处理算法NMS 非极大值抑制YOLO 过滤重复检测框基于 IOU实现ONNX、TensorRT、OpenVINO 推理引擎NMS 代码集成在推理流程。四、分阶段完整落地实操流程结合你的 YOLO 视觉训练场景阶段 1数据预处理算法哈希去重、拉普拉斯模糊检测、标准化实现OpenCV 读取图片dHash 算法删除重复图片拉普拉斯方差剔除模糊无效样本统一图片尺寸、RGB 归一化输出干净数据集。阶段 2特征工程算法PCA 降维实现对图片像素特征降维去除冗余像素信息降低后续模型训练算力消耗。阶段 3数据集划分 数据增强算法Mosaic、MixUp、随机翻转实现分层随机采样划分 train/val/testYOLO 内置增强算法在default.yaml开启扩充样本防止过拟合。阶段 4模型训练核心算法二选一传统方案表格缺陷数据用 XGBoostSklearn 搭建模型输入人工提取的图像特征完成分类深度学习方案YOLOv8C2f 骨干 PANet 特征融合 解耦检测头PyTorch 搭建网络AdamW 优化器反向传播更新权重CIoU 损失函数计算预测框误差。阶段 5模型调优算法贝叶斯超参搜索、L2 正则、余弦退火学习率实现修改default.yaml内批次、学习率、增强参数开启权重衰减使用早停算法验证集 loss 不再下降时停止训练。阶段 6模型评估算法IOU、mAP、召回率实现用 val 验证集推理计算 mAP 指标评估模型缺陷检测精度IOU 阈值在 yaml 中配置用于 NMS 后处理。阶段 7推理部署算法模型量化、NMS 非极大值抑制实现训练好的权重导出 ONNXTensorRT 量化加速推理时 NMS 算法过滤重叠检测框输出最终缺陷坐标。五、极简区分传统机器学习 vs 深度学习传统机器学习XGBoost、SVM、随机森林适用表格结构化数据、小样本、低算力场景核心人工手动提取特征算法仅做分类 / 回归阶段全部集中在模型训练阶段依赖前置人工特征工程。深度学习CNN、YOLO、Transformer适用图像、文本、语音等高维非结构化数据核心网络自动提取特征无需人工设计特征阶段贯穿数据增强预处理、模型训练、推理后处理全流程。opencv里面涉及机器学习算法吗OpenCV 内置机器学习算法完整说明一、结论先行OpenCV内置了一套轻量级传统机器学习模块cv2.ml但完全不支持深度学习网络训练CNN/YOLO/Transformer。只包含「传统机器学习」无深度学习、反向传播、神经网络训练能力。二、cv2.ml 内置全部机器学习算法1. 分类算法KNearest (KNN) K 近邻基于样本距离分类适合简单小样本识别。SVM 支持向量机支持线性、RBF 高斯核工业图像纹理分类常用。DecisionTree 决策树RandomTrees 随机森林Boost 提升树AdaboostOpenCV 经典人脸检测的 Haar 级联就是基于 AdaBoost。NormalBayesClassifier 朴素贝叶斯2. 聚类无监督算法EM 期望最大化聚类替代 KmeansOpenCV 单独封装另外图像专用聚类cv2.kmeans()图像像素聚类不属于 ml 模块但属于机器学习聚类算法3. 数据拟合 / 回归LogisticRegression 逻辑回归二分类三、OpenCV 机器学习的使用特点与局限优点轻量化仅依赖 OpenCV 库无需安装 scikit-learn、PyTorch原生兼容图像特征向量HOG、SIFT 等 OpenCV 提取的特征直接输入训练适合嵌入式、离线小型视觉分类程序。致命局限重点区分深度学习不能训练卷积神经网络 CNN、YOLO、大模型没有自动微分、反向传播、GPU 训练、梯度下降优化器Adam/SGD无法做深度学习训练。仅支持一维特征向量输入必须先用 OpenCV 手工提取 HOG/SIFT 等特征不能直接输入原图像素训练。不支持高级集成树XGBoost/LightGBM性能弱于 Sklearn无数据增强、损失函数自定义、学习率调度等深度学习训练功能四、两个易混淆模块区分cv2.ml传统机器学习KNN、SVM、随机森林等可训练分类器cv2.dnn深度学习推理模块仅能加载外部框架训练好的模型YOLO/ONNX/TensorFlow 权重做预测不能训练模型。五、实操场景举例OpenCV 内置 SVM 训练OpenCV 提取图片 HOG 纹理特征 → 转为一维向量 → cv2.ml.SVM 训练分类器区分良品 / 缺陷OpenCV Kmeans 像素聚类图像分割自动把画面相近颜色像素分组AdaBoost 人脸检测器OpenCV 预训练好的级联分类器底层算法就是 Boost 提升树。六、一句话总结OpenCV 包含传统机器学习算法KNN/SVM/ 随机森林 / 贝叶斯等可完成小型图像分类、聚类但不包含深度学习训练算法CNN、YOLO 等网络训练必须用 PyTorch/TensorFlow。OpenCV完全包含传统机器学习吗结论不OpenCV 并没有完整包含全部传统机器学习算法只有少量基础子集一、OpenCV 自带的传统机器学习cv2.ml cv2.kmeans分类器KNN、SVM、决策树、随机森林、AdaBoost、朴素贝叶斯、逻辑回归聚类K-Means、EM期望最大化适用场景简单图像分类、像素聚类、人脸 AdaBoost 级联检测二、OpenCV缺失大量主流传统机器学习算法1. 梯度提升树工业表格数据主流XGBoost、LightGBM、CatBoost 全部没有这是竞赛、业务数据分析最常用算法。2. 无监督学习大量算法降维算法PCA、TSNE、UMAP 均不在cv2.mlOpenCV 仅有简易 PCA不支持可视化降维密度聚类DBSCAN、OPTICS 完全缺失关联规则Apriori 无实现。3. 半监督、弱监督学习算法伪标签、标签传播、半监督 SVM 等全部没有。4. 模型调优与评估工具网格搜索、贝叶斯超参优化、交叉验证工具均未内置需要依靠 scikit-learn。三、核心缺陷OpenCV 机器学习模块定位只是「图像配套工具」OpenCV 的 ML 模块设计初衷配合图像提取的 HOG/SIFT 手工特征做简单分类不是通用机器学习工具库输入限制仅支持一维浮点特征向量无法直接处理原始图像、表格数据集功能简陋缺少交叉验证、自动特征筛选、缺失值处理、多种评估指标计算训练性能弱同等数据下SVM、随机森林效果、速度不如 scikit-learn。四、对比完整传统机器学习去哪里学通用完整传统机器学习生态是Scikit-learn XGBoost/LightGBM包含 OpenCV 全部内置 ML 算法额外补齐梯度提升树、DBSCAN、TSNE、PCA、半监督算法、交叉验证、超参搜索全套工具。五、一句话总结OpenCV 只自带一小部分入门级传统机器学习算法距离完整覆盖传统机器学习还差非常多不能依靠 OpenCV 学全传统机器学习。机器学习包含传统机器学习和深度学习吗结论是的标准分层关系如下1. 三层从属关系由大到小人工智能 AI 机器学习 ML 深度学习 DL机器学习ML是 AI 实现智能的核心分支分为两大分支传统机器学习非神经网络深度学习基于多层神经网络传统机器学习无多层神经网络依靠人工提取特征完成建模代表SVM、KNN、决策树、随机森林、XGBoost、K-Means 等也就是 OpenCV 内置的那一小类算法。深度学习属于机器学习的子集依靠多层神经网络自动提取特征代表CNN、YOLO、U-Net、Transformer大模型等需要 PyTorch/TensorFlow 训练框架。2. 直观对比区分传统机器学习流程人工提取特征如 OpenCV 提取 HOG/SIFT→ 送入模型分类 / 聚类依赖特征工程人手动设计有效特征工具Scikit-learn、OpenCV.ml、XGBoost深度学习流程直接输入原始图像 / 文本神经网络自动学习特征依赖多层网络、反向传播、GPU 算力、大规模数据集工具PyTorch、TensorFlow、PaddlePaddle3. 结合你之前的问题总结机器学习 传统机器学习 深度学习OpenCV 仅内置一小部分传统机器学习算法完全不包含深度学习训练能力只会 OpenCV 算法 ≠ 掌握机器学习缺少大量传统树模型、完整建模流程以及现代深度学习整套体系。通用大模型 LLM、YOLO 计算机视觉属于哪个一、分类归属清晰划分1. 层级总框架人工智能 AI└── 机器学习 ML├── 传统机器学习SVM、XGBoost、Kmeans、cv2.ml 内置算法└── 深度学习 DL├── LLM 通用大模型NLP 自然语言处理└── YOLO 目标检测计算机视觉 CV2. LLM 通用大模型所属大类深度学习 → 自然语言处理 (NLP) 分支底层核心算法Transformer 架构自注意力、多头注意力典型模型GPT、LLaMA、Qwen、ChatGLM 等训练链路特点海量文本语料、预训练 SFT 微调 RLHF 强化学习对齐3. YOLO 计算机视觉检测算法所属大类深度学习 → 计算机视觉 (CV) 分支底层核心结构CNN 卷积神经网络骨干 BackboneC2f、FPN/PANet 特征融合 解耦检测头典型模型YOLOv5/v8/v11 等训练链路特点图像数据集、标注框、Mosaic 图像增强、CIoU 损失、NMS 后处理搭配 OpenCV 做图像预处理与推理可视化二、二者相同点 区别相同点都属于深度学习是机器学习的子集训练都需要 GPU 加速、反向传播、AdamW 优化器、数据集划分、超参调优整套训练流程完全一致数据采集→预处理→标注→增强→训练→调优→评估→部署。核心区别表格维度LLM 大模型YOLO 目标检测处理数据文本、对话、指令一维序列图片、视频二维像素图像基础网络Transformer 注意力机制CNN 卷积神经网络配套工具HuggingFace、文本处理库OpenCV、图像标注工具 LabelImg应用场景对话机器人、文案生成、代码、翻译工业质检、安防、自动驾驶、OCR 辅助三、结合你之前知识点补充二者都不属于传统机器学习传统机器学习无神经网络不能做 LLM/YOLO 训练OpenCV 仅能配合 YOLO 做图像预处理、推理画图完全无法训练 YOLO/LLM 模型二者训练参数统一使用 yaml 配置文件管理dataset.yaml、default.yaml。AI 训练全链路用到的技术 算法有哪些一、AI 训练全链路全套技术 算法完整分阶段整体链路数据采集 → 数据清洗预处理 → 数据标注 数据集划分 → 数据增强 → 模型训练 → 调优正则化 → 模型评估 → 模型压缩 推理部署1. 数据采集阶段技术工具图像工业相机、监控、OpenCV 视频流、COCO/VOC 公开数据集文本爬虫、PDF 解析、开源对话语料ShareGPT存储本地文件、MinIO、OSS、HDFS 分布式存储核心算法aHash/dHash 感知哈希、SimHash图片 / 文本去重2. 数据清洗 预处理OpenCV 核心场景图像处理算法OpenCV 实现降噪高斯滤波、中值滤波、双边滤波形态学腐蚀、膨胀、开 / 闭运算像素处理阈值分割、直方图均衡、BGR/RGB 通道转换质量过滤拉普拉斯方差剔除模糊图、均值过滤纯白 / 纯黑图标准化MinMax 归一化、Z-Score 标准化文本预处理工具Pandas、Jieba、NLTK算法分词、停用词过滤、编码统一、文本去重3. 数据标注 数据集划分工具视觉标注LabelImg、LabelMe、SAM 半自动标注文本标注人工 SFT 问答、大模型自动标注配置文件dataset.yaml、default.yaml存储路径、超参、类别算法分层随机采样划分 train/val/test保证类别均衡YOLO 坐标归一化算法4. 数据增强防过拟合、扩充样本1基础图像增强OpenCV翻转、平移、旋转、缩放、HSV 色彩抖动2深度学习高级增强YOLO 框架内置Mosaic、MixUp、CutMix、Copy-Paste3文本增强回译、同义词替换、随机掩码5. 模型训练两大分支传统机器学习 深度学习1传统机器学习算法cv2.ml/ Scikit-learn分类KNN、SVM、决策树、随机森林、AdaBoost、朴素贝叶斯、逻辑回归聚类K-Means、EM、DBSCAN、层次聚类梯度提升树OpenCV 无XGBoost、LightGBM、CatBoost优化器SGD 随机梯度下降2深度学习算法计算机视觉YOLO / 分割 / 分类骨干网络Darknet53、C2f、ResNet、MobileNet特征融合SPPF、FPN、PANet检测头解耦检测头、Anchor-Free 无锚框分割网络U-Net、Mask R-CNN、SAMNLP 大模型Transformer自注意力、多头注意力衍生GPT、BERT、LLaMA通用训练核心损失函数CIoU/DIoU/GIoU、BCE、交叉熵、MSE、MAE优化器SGD、Adam、AdamW底层逻辑反向传播、链式求导、梯度下降训练加速技术CUDA、cuDNN、混合精度 AMP、DDP 多卡分布式训练、梯度累积6. 模型调优 正则化正则化算法L1/L2 权重衰减、Dropout、DropPath、早停 EarlyStop学习率调度Warmup 预热、余弦退火 CosineLR、StepLR 分段衰减超参优化网格搜索、随机搜索、贝叶斯优化特征工程PCA、TSNE、UMAP 降维方差筛选、互信息特征选择7. 模型评估算法通用分类指标准确率、精确率、召回率、F1、AUC-ROC目标检测专用IOU 交并比、NMS 非极大值抑制、mAP 平均精度回归指标MSE、MAE、R²8. 模型压缩 推理部署压缩算法模型剪枝、量化FP16/INT8、知识蒸馏推理加速技术ONNX、TensorRT、OpenVINO、OpenCV cv2.dnn 推理模块后处理算法NMS/Soft-NMS、置信度阈值过滤可视化OpenCV 绘制检测框、标签输出图片 / 视频二、AI 主流落地场景4 大类别覆盖工业、互联网、安防、自动驾驶一计算机视觉 CV 场景YOLO、图像分割为主工业缺陷检测零部件划痕、污渍、缺料质检安防监控行人检测、车辆识别、人脸识别、烟火 / 异常行为检测自动驾驶车辆、行人、交通标识、车道线检测医疗影像CT / 胸片病灶分割、肿瘤识别消费视觉手机人脸解锁、美颜、OCR 文字识别农业视觉农作物病虫害识别、果实计数、杂草分割二自然语言处理 NLP 大模型场景通用对话智能客服、聊天机器人、AI 助手文本生成文案写作、代码生成、论文润色、翻译内容理解情感分析、新闻摘要、关键词提取、文档检索行业专用法律文书分析、医疗问诊、教育答疑批改三传统机器学习场景表格结构化数据金融风控信贷风险评估、信用卡欺诈识别用户推荐电商商品推荐、短视频内容推荐销量预测库存预测、客流量、房价等回归预测客户分群用户聚类分层、精准营销故障预测设备剩余寿命预测、设备异常预警四多模态 AI 场景图文、音视频融合文生图 / 图生图AI 绘画、商品效果图生成图文理解图片描述、图文检索、多模态问答音视频 AI语音识别、语音合成、视频字幕生成、视频内容审核五强化学习场景机器人控制机械臂抓取、自动驾驶决策游戏 AI游戏智能体对战大模型对齐RLHF 人类反馈强化学习优化模型回答逻辑三、补充关键总结OpenCV 仅覆盖图像预处理、少量传统机器学习、推理可视化无法做深度学习训练层级关系人工智能 AI 机器学习 ML传统 ML 深度学习 DL 深度学习视觉项目工业检测、安防核心依靠 YOLO 类深度学习表格业务数据优先使用 XGBoost/LightGBM 传统机器学习。人工智能 AI一共包含哪些人工智能 AI 完整分层体系从宏观大类到细分算法、应用一、三层核心从属关系顶层分类人工智能AI符号人工智能传统 AI / 规则式 AI机器学习ML现代 AI 主流传统机器学习无神经网络深度学习DL多层神经网络强化学习部分划分归为机器学习子分支独立场景二、逐层拆解全部细分内容1. 符号人工智能早期 AI不靠数据训练核心人工编写逻辑规则、知识库硬编码推理逻辑专家系统医疗诊断专家系统、工业故障判定系统逻辑推理、知识图谱早期规则图谱应用老式客服问答、简单计算器逻辑、工业固定规则检测特点不需要训练数据集无法自主学习泛化。2. 机器学习 MLAI 最核心分支依靠数据自动学习规律分支 A传统机器学习无神经网络1监督学习带标签数据分类算法KNN、SVM、决策树、随机森林、AdaBoost、朴素贝叶斯、逻辑回归、XGBoost/LightGBM/CatBoost回归算法线性回归、岭回归、Lasso 回归2无监督学习无标签数据聚类K-Means、EM、DBSCAN、层次聚类降维PCA、t-SNE、UMAP关联挖掘Apriori3半监督学习少量标注 大量无标注伪标签、标签传播、半监督 SVM分支 B深度学习 DL多层神经网络当前落地主流依靠多层网络自动提取特征分四大赛道NLP 自然语言处理代表LLM 通用大模型底层架构Transformer自注意力模型GPT、LLaMA、通义千问、Qwen、ChatGLM应用对话机器人、翻译、文案生成、代码生成、文档理解CV 计算机视觉代表YOLO 系列目标检测底层架构CNN 卷积神经网络细分方向图像分类ResNet、MobileNet目标检测YOLOv5/v8/v11、Faster R-CNN、SSD图像分割U-Net、Mask R-CNN、SAM配套工具OpenCV图像预处理、推理可视化应用工业质检、安防、自动驾驶、医疗影像、人脸识别语音 AI模型语音识别 ASR、语音合成 TTS应用语音转文字、智能音箱、配音 AI多模态大模型图文音视频融合模型GPT-4V、Qwen-VL、Midjourney应用AI 绘画、图文问答、视频理解3. 强化学习 RL可独立分支也归类机器学习核心智能体与环境交互通过奖励函数学习最优决策经典算法Q-Learning、DQN、A2C、PPO两大应用场景机器人控制机械臂抓取、自动驾驶决策大模型人类对齐RLHFLLM 微调必备游戏 AI、智能调度系统三、AI 按落地应用场景完整划分计算机视觉场景工业缺陷检测、人脸识别、监控行人车辆检测、自动驾驶、医疗 CT 病灶识别自然语言大模型场景智能客服、AI 写作、代码助手、翻译、法律 / 医疗问答结构化数据传统机器学习场景金融风控、用户推荐、销量预测、客户分群、设备故障预警语音 AI 场景语音转写、智能音箱、AI 配音多模态场景文生图、图生图、短视频 AI 生成、图文问答强化学习场景机器人、自动驾驶决策、大模型人类对齐四、关键总结对应你前面问的 YOLO、LLMLLM 大模型、YOLO 目标检测 都属于人工智能 → 机器学习 → 深度学习OpenCV 不属于 AI 算法体系只是计算机视觉配套工具库传统机器学习SVM/XGBoost/Kmeans和深度学习LLM/YOLO是机器学习两大并列子分类符号 AI 是早期老旧 AI现在工业、互联网落地几乎全部使用机器学习 / 深度学习。
