AI基础专题综述

AI 基础专题用于建立最低限度的机器学习、深度学习和模型训练常识。目标不是成为算法工程师，而是能看懂 AI 系统里的关键取舍。

主题边界

• 普通人先懂任务类型和局限；产品经理懂指标、数据和误差；工程师再深入模型训练和部署。
• 算法名词很多，不必全部背，优先理解输入、输出、训练目标和失败模式。

知识树

• 机器学习：监督/无监督、回归、分类、聚类、特征。
• 深度学习：神经网络、损失函数、优化器、过拟合、正则化。
• 模型评估：训练集/验证集/测试集、准确率、召回率、AUC、混淆矩阵。
• 生成模型：扩散模型、语言模型、多模态。

阅读顺序

1. 先读回归、分类、评估指标。
2. 再读神经网络、注意力、Transformer。
3. 最后读具体项目案例，理解数据和指标如何落地。

常见误区

• 把训练集表现当线上效果。
• 只看准确率，不看召回、误报和业务成本。
• 忽略数据质量和标注口径。

实战任务

1. 用一个表格任务判断它是分类、回归还是排序。
2. 为一个客服意图识别任务设计混淆矩阵。
3. 把一个模型指标翻译成业务影响。

必读资料

• 0.PyTorch 入门
• 01回归算法（15个）
• 02分类算法（12个）
• 03集成算法（12个）
• 04概率分布（13个）
• 05特征选择方法（10个）
• 06优化算法（13个）
• 07聚类算法（10个）
• 09数据预处理（12个）
• 1.深度学习入门基础
• 10损失函数（10个）
• 11正则化方法（2个）
• 12机器学习模型评估方法（9个）
• 17种常用激活函数汇总
• 2.卷积神经网络

后置阅读

• 算法公式推导和框架训练代码可按项目需要再补。