系统课程
AI学习课程
从AI思维框架开始，逐步理解人工智能的基础理论与协作方法。
第一章
建立AI基础认知框架——从传统科学计算到机器学习
建立判断机器学习模型是否可信、是否适用于具体工程问题的基础认知框架。
已发布：导读 + 7 节 + 章末总结状态：持续更新中
从章导读开始- 章导读
为什么工程科研人员需要建立AI基础认知框架
从传统科学计算与机器学习的差异出发，说明工程科研人员为什么需要先建立判断AI模型可信性和适用边界的基础认知框架。
- 第1节
AI、机器学习、深度学习与大语言模型是什么关系
梳理人工智能、机器学习、深度学习、大语言模型和ChatGPT之间的概念层级，建立工程科研人员理解AI的基础框架。
- 第2节
机器学习与传统电磁计算有什么本质区别
比较传统电磁数值求解与机器学习代理模型的出发点、近似机制、可信性依据和适用边界。
- 第3节
什么是泛化——模型为什么能用于没有见过的数据
解释机器学习泛化能力的含义，重点讨论数据覆盖性、任务相关性、插值、外推和分布变化。
- 第4节
数据集如何划分——训练集、验证集、测试集与数据泄漏
说明训练集、验证集和测试集的不同职责，以及随机划分、数据泄漏和测试独立性问题。
- 第5节
欠拟合、过拟合与偏差—方差
说明欠拟合与过拟合的典型表现、成因和诊断方法，并用偏差—方差建立工程直觉。
- 第6节
损失函数、优化目标与评价指标
区分模型训练中的损失函数、训练完成后的评价指标和实际工程目标，说明平均误差与最坏情况的差异。
- 第7节
神经网络本质上在学习什么——从函数逼近理解AI模型
从参数化函数逼近的角度解释神经网络究竟学习了什么，并区分任务映射、物理规律与通用求解能力。
- 章末总结
建立AI基础认知框架
系统总结第一章的七个核心问题，形成审查AI工程方案时可复用的任务、数据、泛化、模型、指标和边界判断框架。