人工智能基础概念
对标上海市青少年计算机创新应用竞赛 Python 程序设计初赛（中学组）的人工智能常识题，考查概念辨析与原理理解，难度为初中竞赛初赛水平，不考公式推导和代码实现。多出"下列说法错误的是 / 不正确的是 / 无法……的是"这类反向提问，题干中把否定词写清楚，训练学生审题。干扰项优先用易混概念互换来设计，如宽度与深度、平滑与去噪、残差与方差、提高与降低、监督与无监督、分类与回归。题干用中文，专业术语第一次出现时附英文或缩写（如过拟合 Overfitting、SVM）。
章节目录
- 机器学习基本概念12 个知识点免费
- 模型评估与优化16 个知识点
- 经典机器学习算法16 个知识点
- 神经网络基础15 个知识点
- CNN、RNN 与经典网络14 个知识点
- 自然语言处理16 个知识点
- 计算机视觉与 AI 常识13 个知识点
Chapter 01 · 免费阅读
机器学习基本概念
01监督学习
用带标签（有标准答案）的数据训练模型，如给图片标好“猫”“狗”。包括分类和回归两类任务。
区别：无监督学习的数据没有标签；强化学习靠奖励在试错中学习。
易错：聚类不属于监督学习。
02无监督学习
数据没有标签，让模型自己发现规律。典型任务是聚类（如用户分群）和降维。
区别：监督学习有标签；聚类事先不知道类别，分类事先有标好的类别。
03强化学习
智能体在环境中行动，根据奖励或惩罚不断试错，学会最优策略。例：AlphaGo 自我对弈、游戏 AI、机器人控制。
区别：监督学习有现成答案，强化学习只有奖励信号。
04分类任务
预测结果是离散的类别，如判断垃圾邮件、识别手写数字、情感分析。常用算法：逻辑回归、决策树、SVM、KNN。
区别：回归预测连续数值。
易错：逻辑回归是分类算法。
05回归任务
预测结果是连续的数值，如预测房价、气温、销量。常用算法：线性回归。
区别：分类预测类别。例：“明天下不下雨”是分类，“明天降雨量多少毫米”是回归。
06训练集
用来训练模型、学习参数的数据，通常占数据的大部分（如 70%～80%）。
区别：验证集用来调参，测试集用来最终评估。
易错：训练集上表现好不代表模型真的好。
07验证集
单独留出的一部分数据，不参与训练参数，用来调整超参数、选择模型（如选学习率、K 值），也用于提前停止。
区别：测试集只在最后评估一次，不能用来调参。
08测试集
训练和调参都完成后，用来最终评估模型在新数据上表现的数据。
原则：测试集不能参与训练和调参，否则评估结果偏高。
常见划分：训练:测试 = 7:3 或 8:2。
09泛化能力
模型对没见过的新数据做出正确预测的能力，是机器学习追求的目标，用测试集衡量。
区别：过拟合的模型泛化能力差（训练集好、测试集差）。
10特征选择
从原有特征中挑出一部分，去掉无关和冗余的特征，特征本身含义不变。作用：减轻维数灾难、降低学习难度、减少过拟合。
区别：降维会生成新特征。
易错：特征选择是降低特征之间的关联性，不是提高。
11降维（PCA）
把高维数据变换成低维，用更少的新特征保留主要信息。代表方法是 PCA 主成分分析，属于无监督学习。
区别：特征选择只是从原特征里挑，不生成新特征。
12维数灾难
特征数量（维度）太多时，数据变得稀疏，计算量暴增，模型效果反而变差。
缓解：特征选择、降维。
易错：“特征越多模型一定越好”是错误的。