第 1 章 · AI 与机器学习基本概念

考点梳理

人工智能（AI）⊃ 机器学习（ML）⊃ 深度学习（DL）——大圈套小圈：

记忆锚：“AI 是目标，机器学习是方法，深度学习是当前最有效的那类方法。”

与传统程序的区别（高频判断点）：

类型	有没有“标准答案”	典型任务	训练师参与度
监督学习	有标注（输入 + 正确答案）	分类、回归、实体抽取、目标检测	★★★ 主战场（标注数据就是它的教材）
无监督学习	没有标注	聚类、降维、异常发现	★☆☆（数据清洗与预处理）
强化学习	没有标准答案，有奖励信号	游戏、机器人控制、策略优化	★☆☆（少见直接标注）

监督学习再分两类：

记忆锚：“有答案 = 监督，没答案 = 无监督，靠奖惩 = 强化。”

阶段	做什么	特点
训练	用数据调整模型参数，让它学会规律	耗时、耗算力、需要标注数据
推理	用训练好的模型对新数据出结果	快、面向用户、不再改参数

一句话：训练是“学”，推理是“用”——用户在用产品时，模型处于推理阶段。

为什么测试集不能调参：一旦你根据测试集结果反复改模型/改参数，模型就“背下了考试题”，报出来的分数是虚高的（数据泄漏）。

记忆锚：“训练集学、验证集调、测试集考——考卷不能提前对答案。”

现象	表现	通俗解释	常见对策
欠拟合	训练集和测试集都差	没学会	换更强的模型、补特征、加训练
过拟合	训练集很好、测试集差	背答案了	加数据、加正则、简化模型、清洗噪声

训练师视角：过拟合常常是“数据问题”——数据少、噪声多、标注错、分布单一。补高质量数据往往比调模型更有效。

官方职业定义：使用智能训练软件，在人工智能产品实际使用过程中进行数据库管理、算法参数设置、人机交互设计、性能测试跟踪及其他辅助作业。

业务目标 → 数据采集 → 清洗 → 标注 → 质检 →（算法工程师训练模型）→ 参数/交互配置 → 评测 → 上线跟踪
              └──────────── 训练师的主战场 ────────────┘        └── 训练师深度参与 ──┘

一句话定位：算法工程师负责“模型学得怎么样”，训练师负责“数据和评测是不是靠得住”——数据质量决定模型上限。

把机器学习想象成 “备考的学生”：

训练师的位置：你不是出题老师（算法工程师），你是“保证教材和答案正确、并且组织模拟考”的教务——教材有错，再好的老师也教不出好学生。