上午内容回顾
1 课程概览
本课为上午内容的快速回顾，系统梳理AI/ML/DL三大概念、AI三要素、核心术语、算法分类、建模流程、特征工程及模型拟合问题等知识点，为下午KNN算法学习做铺垫。
2 核心概念与定义
本课为回顾性质，核心概念参见前述章节，主要包括：
- AI/ML/DL：人工智能、机器学习、深度学习
- AI三要素：数据、算法、算力
- 核心术语：样本、特征、标签、训练集、测试集
- 算法分类：监督学习、无监督学习、半监督学习、强化学习
- 模型拟合：欠拟合、过拟合、正好拟合
3 算法与模型详解
3.1 AI/ML/DL回顾
| 概念 | 定义 | 通俗理解（找西瓜） |
|---|---|---|
| AI | 用电脑模拟人脑，理性思考和行动 | 给资料，判断是否是西瓜 |
| ML | 给训练集，找规律和公式，对测试集预测 | 如何挑选好西瓜 |
| DL | 神经元模拟万事万物，构建知识图谱 | 根据产地价格种类搭建知识库 |
3.2 AI三要素
| 要素 | 说明 |
|---|---|
| 数据 | 决定模型上限 |
| 算法 | 分类、回归、聚类 |
| 算力 | CPU（IO密集）、GPU（计算密集）、TPU（大规模训练） |
3.3 核心术语
- 样本：每条数据
- 特征：每列数据
- 标签：最终要预测的信息
- 训练集:测试集 = 8:2 或 7:3
3.4 算法分类回顾
| 类别 | 特征 | 标签 | 细分 |
|---|---|---|---|
| 监督学习 | 有 | 有 | 分类（不连续）、回归（连续） |
| 无监督学习 | 有 | 无 | 聚类 |
| 半监督学习 | 有 | 部分 | 降低标注成本 |
| 强化学习 | — | — | 智能体+环境+行动+奖励 |
3.5 建模流程回顾
- 数据加载
- 数据预处理
- 特征工程（提取、预处理、降维、选择、组合）
- 模型训练
- 模型评估
- 模型预测
3.6 特征工程子领域
| 子领域 | 是否改变原数据 |
|---|---|
| 特征提取 | 是 |
| 特征预处理（归一化/标准化） | 是 |
| 特征降维（3D→2D） | 是 |
| 特征选择 | 否 |
| 特征组合（如BMI） | 是 |
4 数学原理与推导
本课为回顾，无新数学推导。
5 代码示例
本课无代码示例。
6 重难点与易错提醒
- ❗重点：数据决定模型上限，模型和算法只是逼近上限。
- ❗重点：人工智能元年1956年；人工智能之父约翰·麦卡锡；机器学习之父亚瑟·塞缪尔。
- ⚠️易错：特征降维会改变原数据，特征选择不会改变原数据。
- 💡深入理解：半监督学习的目的是降低专家标注成本。
7 课堂问答精选
本课为回顾性质，无问答环节。
8 本课小结
- AI/ML/DL为包含关系，数据决定模型上限。
- 核心术语：样本、特征、标签、训练集、测试集。
- 算法四分类：监督（分类/回归）、无监督（聚类）、半监督、强化学习。
- 建模六步流程：加载→预处理→特征工程→训练→评估→预测。
- 特征工程五子领域，前两个（提取、预处理）最常用。
9 延伸思考与实践
- 复习：背诵上午所有知识点，为下午KNN学习做准备。
- 预习：KNN算法思想与欧式距离计算。