人工智能学习入门先搞懂这3个核心概念再动手

【标题】人工智能学习入门先搞懂这3个核心概念再动手 【正文】

前几天一个做设计的朋友给我发消息，说想转行做人工智能相关的工作，问我要不要先报个班学一下。我问他，那你觉得人工智能学习到底是在学什么？他愣了半天，回了一句，不就是学写代码嘛。

我当时差点把嘴里的水喷出来。说实话，这个误解太普遍了。很多人一提到人工智能学习，脑子里冒出来的就是密密麻麻的公式和看不懂的代码，觉得必须数学特别好、计算机科班出身才能碰。其实不是这样的。我见过太多人一上来就抱着深度学习框架啃，结果两个月过去连最基本的概念都没搞清楚，最后得出结论：我不适合学这个。

问题出在哪？出在顺序搞反了。人工智能学习这件事，你得先搞懂几个核心概念，再动手去试，不然就是白费力气。今天我不跟你扯那些虚的，就说说哪几个概念是真正的地基，搞懂它们，你后面的路会顺很多。

先说我的评选标准

什么叫核心概念？我的判断标准就三条。第一，它是不是贯穿整个人工智能学习过程的底层逻辑，你后面学的所有东西都绕不开它。第二，它能不能帮你少走弯路，提前避开那些新手最容易掉的坑。第三，它是不是可以用大白话讲清楚，不需要你先把高等数学重新学一遍。

按这三条标准筛下来，有三个概念是我逢人必讲的。我把它们排了个序，从最容易被忽视但最重要的开始说。

排在第一位的：数据和特征

你可能觉得奇怪，怎么不是算法？我跟你讲，绝大多数人工智能学习失败的人，不是败在算法上，是败在数据上。

我认识一个在广州做电商的小伙子，他想做一个自动给商品打标签的系统，信心满满地开始学。结果折腾了快一个月，模型训练出来的准确率一直在及格线附近晃悠。他以为是算法不够高级，换了好几种模型，还是不行。后来一个前辈看了一眼他的数据，直接说，你这数据里一半的标签都是错的，模型能学好才怪。

这就是典型的新手误区。人工智能学习的本质，是让机器从数据里找规律。你喂给它的数据是什么样，它学出来的就是什么样。数据质量不行，再牛的算法也救不了。

那什么叫特征？简单说，就是你从原始数据里挑出来的、对解决问题有帮助的那些信息。比如你要预测房价，面积、楼层、地段这些就是特征。但原始数据里可能还有房东的姓名、房屋的建造年份，这些对预测房价没什么用，你就得把它们剔除掉。这个过程叫特征工程，听起来高级，其实就是个体力活加经验活。做得好了，模型效果能提升一大截。

排在第二位的：模型训练和评估

数据准备好了，接下来才是模型的事。但很多人对模型训练的理解也有偏差，以为把数据丢进去，机器就自动学会了。没那么简单。

模型训练说到底就是两步：猜和调。模型先根据现有的参数对结果做一个猜测，然后看你告诉它的正确答案，算一下差距有多大，再根据这个差距去调整参数。反复循环，直到猜得越来越准。这个过程确实需要一些数学基础，但你不需要成为数学家才能理解它在干什么。

我这里想强调的其实是评估这件事。训练完了，你怎么知道模型好不好？很多新手就看一个准确率，95%就高兴得不行。但你细想，如果一个模型是判断邮件是不是垃圾邮件，而垃圾邮件只占总邮件的5%，那模型只要把所有邮件都判断成正常邮件，准确率也有95%。这种模型有什么用？一点用都没有。

提示：评估人工智能模型时，不要只看准确率。精确率、召回率、综合评价指标这些都要看，具体用哪个取决于你的实际场景。搞不懂这些，你就不知道模型到底是真学会了还是在糊弄你。

我自己在刚入门的时候就吃过这个亏。做了一个图像分类的小项目，准确率显示92%，我以为做得挺好。后来拿实际数据一测，发现它把所有相似的颜色都归成了一类，气得我当晚没睡好。从那以后我就养成了习惯，任何模型出来，先看综合评价指标，再看具体的分类结果。

排在第三位的：泛化能力

这个词听起来有点学术，但它的意思很朴素：你训练出来的模型，能不能用在没见过的新数据上。

有些模型在训练数据上表现特别好，几乎不出错，但一碰到新数据就歇菜了。这叫过拟合。就像你上学的时候，有些同学把课本上的例题背得滚瓜烂熟，考试题目稍微变一下就不会做了。这不能叫真的学会了。

解决过拟合有很多方法，比如增加数据量、简化模型、使用正则化技术。但我想说的是，泛化能力才应该是你衡量人工智能学习效果的核心指标。你在训练集上做到满分，不算本事。你在从来没见过的数据上还能做得不错，那才是真的学到了东西。

这三个概念怎么影响你的学习路径

搞懂这三个概念之后，你会发现人工智能学习这件事没那么玄乎。数据是原料，模型是加工机器，泛化能力是出厂检验标准。你做的所有事情，本质上都是在优化这三个环节。

那具体怎么开始呢？我的建议是，先找一个你熟悉领域的小问题，比如预测一下你们小区的快递到达时间。收集一些数据，自己做一个简单的模型出来，跑通整个流程。这个过程里你会遇到各种问题，但每解决一个，你对上面三个概念的理解就会深一层。

别一上来就买那个几十个课时的系统课。很多课讲得确实详细，但你基础概念没建立起来的时候，看那些内容就是囫囵吞枣。我见过太多人买了课之后，看了不到两章就再也没打开过。

还有些人特别纠结选什么工具，是学这个框架还是那个框架。说实话，工具是变化最快的。你今天花大力气学的某一个具体工具，可能明年就过时了。但数据和特征的处理思路、模型评估的方法、泛化能力的理解，这些东西是相对稳定的。把精力花在这上面，回报率更高。

---

回到我那个想转行的朋友。我后来跟他聊了两个小时，没有推荐任何具体的课程，就是把这几个概念用他能听懂的话讲了一遍。他听完说，感觉人工智能学习没那么吓人了。

这就对了。入门最怕的就是被吓住。你不需要先把所有东西都学会再动手，带着这几个核心概念去实践，边做边学，遇到问题再回头补，这才是大多数人能走通的路。

至于我那个朋友现在学得怎么样了？他上周跟我说他做了一个识别花卉品种的小程序，准确率大概七成左右，不高，但他挺开心的。我说这就对了，先跑起来，再慢慢调。人工智能学习这件事，最怕的就是站在原地不动。你现在在哪个阶段了？