CSCI3230 L01 · Part 5/5 Summary

课程：CSCI3230 (ESTR3108) Fundamentals of Artificial Intelligence · 2026T1 本讲：L01，第 5 部分 / 共 5 部分 · 原件 L01-Introduction-2026T1.pdf（本地课件） p.74–75 定位：把本讲连成一条学习链：任务决定输出，数据训练模型，独立评价检验所得能力。前后：上一份 Fundamental concepts in AI

p.74 分节页。

回到三个主问题（p.75）

p.75 How does a machine get intelligence

这一页不是让你再背一遍名词，而是检查能否把名词接成过程。没有新算法，仍然可以完成一次完整的问题分析。

**第一个问题：什么叫AI？**先说环境与目标，再说系统采取什么行为。AI是广泛研究范围；机器学习从数据调整模型，深度学习属于其中一类。不要把三者当作三个互不相交的产品。

第二个问题：系统到底交出什么？“用于医疗”只是领域，“输入CT、输出疑似结节的位置”才接近任务。输出可能是数、类别、区域、句子或动作；后面选模型与指标都受它影响。

**第三个问题：如何得到并检验能力？**把数据用于训练，利用目标函数选择参数，用验证数据比较方案，再用独立测试评价。训练误差小只回答“对这批训练记录拟合得怎样”，不能独自回答“换数据还能怎样”。

用一个从头到尾的小任务连接术语

**补充算例（全部数字自取）：**有一批商品的重量与实际价格，想预测新商品价格。先只取一个特征重量 $x$ ；真实价格叫 $y$ ；模型给出的价格加帽子写成 $\hat y$ 。模型假设

\hat y=ax+b.

$x$ 是输入的一个数， $a,b$ 是同一批预测共享的两个参数， $\hat y$ 是输出。这里还没有“学习”：只是写下允许使用的规则形式。

先试 $a=2,b=1$ ：重量3的商品得到预测7；若真实价格8，残差是 $7-8=-1$ ，平方误差为1。对很多训练商品重复这个比较，把误差合起来，就是选参数的依据。换一组 $a,b$ 后，每个商品的预测都会改变；训练就是系统地寻找更好的参数。

现在假设另一个更复杂模型把训练商品几乎全记住。能直接宣布它更好吗？不能。我们还需留出数据检验；若根据验证分数选了简单模型，最终测试评价的就是选定的流程。误差究竟用平方还是别的形式，也要与任务相符，不能因为课上写过Accuracy就强行给价格判“完全正确/错误”。

进入下一讲前，只带走六个位置

名称	在本例里是什么	别混成什么
数据/输入	商品重量	不等于参数
标签	已知实际价格	不等于预测
模型	直线形式的计算规则	不等于一份数据
参数	单位价与固定项	不等于每个样本单独答案
训练目标	用于选择参数的总误差	不等于独立测试结果
评价	留出数据的预测误差	不等于训练完成即成功

L02会把这六个位置写得更严格：多个特征如何排成矩阵，平方损失怎样计算，如何求出参数。读公式卡住时，先回到这张表认角色，再继续运算。

**自检一：**实际价格未知的新商品，模型还能输出价格吗？它能立即知道误差吗？

参考答案

有重量和训练好的参数就能输出预测；误差还需要实际价格，未知时不能凭预测自己给自己评分。这说明预测与评价是两步。

**自检二：**一个聚类算法没给币值标签，却把硬币分成四组。它是否已经证明知道每组币值？

参考答案

没有。它发现相似结构，不等于获得币值名称。要知道语义需要额外信息；无监督与监督的差别在训练信号。

**自检三：**模型1000次预测对990次，一定能发现关注的稀有目标吗？

参考答案

不一定。若只有10个正类且模型全报负，仍有99%准确率，却召回为0。先问分母，再解释分数；详见学习与评价。

补充 · 把一次预测错误追溯到正确环节（通识讲解；演示数据不属于原题）。

同样是“分类错了”，修复动作可能完全不同。若把真正要识别的目标标反，是任务或标签问题；若模型在训练样本都分不开，是表示、容量或优化问题；若训练很好、陌生样本很差，才进一步检查过拟合或数据分布变化。不能看到失败就直接说“多训练几轮”。

用一个可复述的句式收束本讲：“我用哪些输入，预测哪种输出，用什么反馈学习，在什么独立数据上以什么指标评价。”缺一项时，先指出缺的证据，而不是凭指标猜原因。接下来 L02 给出第一个可以手算完整训练过程的模型；它让这些问题变成可检查的计算步骤。

p.75 的六项回顾逐项闭合：“What is AI”对应环境与目标下的智能行为，以及 AI/ML/DL 范围；“What can today’s AI do”对应医疗、驾驶、机器人、科学、语言、游戏、艺术；“How does a machine get intelligence”对应构造模型并用观测样本优化参数；“How to use data”对应训练/验证/测试与交叉验证；“How to evaluate the model”对应真实标签、四格计数与任务匹配的指标；“Main learning types”对应输入输出配对的监督、无标签结构的无监督、按累计奖励行动的强化。若只能说出一个名字却说不清该项输入和输出，回到本讲对应 Part 的具体过程练习。

补充：一个看起来很准、其实没回答问题的实验

自编案例：收集100个人，每人10张照片，随机按照片切成训练与测试。模型在测试照片上表现很好，于是声称“能识别从未见过的人”。这个结论跨过了一步：同一个人的其他照片可能已经进入训练集。实验实际测到的可能是“同一批人换一张照片”，而不是“新人”。

如果任务就是识别已登记用户，训练中出现同一个身份未必不合理；如果任务是泛化到新人的属性分类，则应按人分组，把同一人的照片放在同一侧。没有脱离任务的一刀切划分。读到“泛化好”时，先问究竟泛化到新照片、新人物，还是未来时间。再检查数据划分是否真的模拟了那个变化。

自测（自编，非原题）：若任务是预测下个月销量，随机混合今年各月再切分，和按时间保留最后几个月测试，哪一种更接近使用场景？

解释

按时间保留未来月份通常更接近“用过去预测未来”的部署顺序。随机混合可能让后来的信息参与训练。还要检查特征是否只使用预测时已经可得的信息；即使按时间切分，把整月结束后才知道的量作为月初特征，仍然泄漏。

本讲核心考点

AI、应用、学习机制是三个不同层次（p.75，C 级）。
回顾数据使用、模型评价与学习类型（p.75，C 级）。

附录

本部分没有需要另展的推导或题目演练。

来源与证据

本篇按本学期阅读版 PDF 核对；正文页码均为去除动画中间页后的 PDF 页号。原始 PDF 90 页，阅读版 75 页；逐页映射（本地资料）、清洗核验（本地资料）。
原件：L01-Introduction-2026T1.pdf（本地课件），p.74–75；均为当前 PDF 页号。
证据边界：本次重写核对本篇所列原课件；旧笔记保留的往年题定位仅作历史练习，不代表 2026T1 考核承诺。
往年卷仅证明相应年份考过；2024 卷及 2025 节选未公开的选择题不作推断。