学习指南

一、本书学习的不是一组软件菜单

人工智能产品会变化，数据怎样进入模型、模型怎样产生输出、结果怎样验证，却有相对稳定的规律。本书沿十二项技术逐步学习：机器学习闭环、结构化数据、计算机视觉、音频、时间序列、自然语言处理、嵌入、大语言模型、生成式深度学习、推荐系统、强化学习，以及多模态与物理AI系统。

一个模型可以用下面的最小表达表示：

ŷ = fθ(x)

其中，x是输入，f是模型结构，θ是训练得到的参数，ŷ是输出。输入可能是表格中的一行、图像像素、声音波形、时间窗口或一段文字；输出可能是类别、数值、向量、下一词概率、排序分数或动作。训练依据样本调整参数，推理使用已经确定的参数处理新输入。

模型并不等于完整应用。普通程序负责文件、界面、计算和权限；规则负责明确约束；工具和设备连接外部环境；人决定任务、材料、错误后果和是否采用。学习时要始终问：眼前的结果来自模型、规则、普通程序，还是人工判断？

二、用四个坐标理解十二章

第一是数据形态，包括表格、图像、声音、时间序列、文字和多模态数据。第二是任务，包括分类、回归、预测、检索、生成、推荐和行动。第三是学习机制，包括监督学习、迁移学习、预训练与上下文学习、生成式学习和强化学习。第四是运行系统，包括云端、本地端、设备端、工具、硬件和人工接管。

这四个坐标能够避免常见混淆。例如，图像是一种数据形态，分类是一种任务，迁移学习是一种学习方法；三者可以共同出现在一个植物识别应用中。大语言模型能够处理多种任务，但不能因此替代全部小模型、规则和人工确认。

三、沿家庭项目线积累作品

全书四篇都采用双层篇名：生活目标放在主标题中，回答“这一篇准备改善什么”；技术主线放在副标题中，回答“为此要理解什么人工智能机制”。十二章仍按技术先修关系组织，原有家庭项目则在最适合的章节进入，不强求一个复杂项目在一章内一次做完。

跨章项目要保存上一阶段的材料和判断。例如，阳台植物园先用表格数据认识特征与标签，再训练视觉模型，最后才把图像、传感器、语言说明和安全提醒连接成系统。家庭空气与用能观察站先研究连续记录和预测，到强化学习章节才在虚拟环境中比较不同动作策略。这样既能看到完整应用，又不会在尚未理解基本机制时被复杂工程淹没。

每章先完成共同的“技术实验”，再进入家庭项目的当前阶段或迁移任务。共同实验用于隔离本章的一个机制；家庭项目允许学生选择材料、形式和创意，但必须复用同一批固定测试并说明模型、规则、普通程序和人工决定各自负责什么。

四、分清两个AI角色

“应用中的AI”是作品实际调用或训练的模型。例如，图像模型输出植物状态概率，嵌入模型把资料片段变成向量，推荐模型为候选资源评分。

“开发与学习AI”帮助学生完成学习和开发。学生可以用自然语言请它解释概念、设计样本、生成完整Notebook、分析报错或提出测试，但不能把最后判断交给它。同一个大语言模型可以先后承担两种角色，学习记录中仍要标清角色。

一次有效协作至少说明：

我正在完成什么任务；
已有材料和运行环境是什么；
只允许改变哪个条件；
希望观察什么中间结果；
用哪些固定样例验收；
哪些结论和动作必须由人确认。

开发与学习AI给出的程序先作为候选。学生要运行、查看输入输出、核对修改范围并重新测试。“模型说代码正确”不能代替实际运行结果。

五、三种学习深度

每章可以按条件选择三种深度，但三种路径都要理解同一个技术本质。

• 观察路径：使用浏览器实验、预训练模型或教师准备的数据，改变一个关键变量并记录结果。第1章完全采用这一路径，不要求编程。
• Notebook路径：运行完整Notebook，按“数据—表示—模型—训练—评价—推理”的顺序阅读；让开发与学习AI解释具体变量、数组形状和报错，再修改一处关键参数。
• 工程路径：把模型接入本地程序、工具或低压设备，增加权限、日志、停止条件和人工确认。它主要出现在第12章，不是所有章节的必做要求。

Notebook中的代码用于暴露机制，不要求背诵。学生应能指出数据在哪里进入、模型在哪里建立或调用、训练和推理分别在哪一段、结果怎样评价。大段界面样式、账号配置和易变安装步骤放在数字资源中。

六、怎样做一次有意义的实验

先运行首版并保存结果，再只改变一个与原理有关的变量。例如改变训练图片的背景多样性、表格中的特征、声音阈值、时间窗口、检索数量、生成随机性或强化学习奖励。改变前先写预测，改变后用同一批样例比较，不同时修改模型、数据和评价方式。

每章至少考虑四类输入：正常样例代表常见情况；边界样例接近分界或信息不完整；陌生样例来自训练和示例之外；故障样例模拟文件、网络、传感器或模型不可用。样本少时直接写“错了几条、错在哪里”，不要只写一个看似精确的百分数。

判断时至少比较一个简单基线。基线可能是人工分类、固定规则、关键词匹配、上一时点预测或流行度排序。复杂模型如果没有在相同测试上带来有意义的改善，就不应因为名称先进而被采用。

七、建议的学习环境

核心环境由浏览器中的模型工具、能够查看文件的本地工作台、预配置的Jupyter与Python环境组成。具体产品、版本、账号和安装方法由数字资源按日期更新，纸书不绑定单一平台。

涉及硬件时提供三条等价路径：H0使用样例、回放数据或虚拟环境，能够完成全部核心学习；H1由小组共享摄像头、麦克风或低压传感器；H2把小模型部署到设备端，作为拓展。没有硬件或本地大模型不影响完成课程。

八、课程组织建议

32学时可按“每章2学时＋两个综合实验4学时”组织；16学时可选择第1、2、3、6、7、8、11、12章，形成从学习闭环到语言、生成、行动和系统的主线；48学时可完成十二章Notebook并增加数据采集、独立测试和设备端拓展。

小组不按“会编程的人包办代码”分工。建议轮换任务定义、数据与授权、运行与记录、测试与判断四类责任。每名学生都应至少完成一次自然语言需求说明、一次真实运行、一次控制变量实验和一次证据解释。

九、安全与责任

课堂共享材料使用模拟、脱敏或经授权的数据。不要把真实身份信息、住址、健康记录、私人聊天、照片、声音或访问密钥直接上传公共模型。涉及文件、消息和设备的动作先预览再确认；强化学习只在仿真环境训练；多模态系统在输入缺失、模型冲突、网络中断或设备异常时保持安全状态并交给人接管。停止使用、不采用AI或转交专业人员，都是有效结论。