人工智能学习入门先搞懂这5个基础概念再动手

为什么你学人工智能总是从入门到放弃

前几天一个做运营的读者给我发消息，说他又把人工智能学习的课程从收藏夹里删掉了。我问他为什么，他说看完了前三节，满屏幕都是矩阵、梯度、反向传播，感觉自己像个傻子。我太理解这种感受了，2023年我第一次接触人工智能学习的时候，光是搞懂什么是向量就花了一整周，而且那一周里我有五天想放弃。

后来我才明白一个事，大多数人在人工智能学习这条路上半途而废，不是因为不够聪明，而是因为顺序搞反了。你先去啃算法推导，就像还没学会走路就去练百米冲刺。真正该做的，是先把几个最基础的概念理解透，这些概念一共就五个，搞懂了它们，后面的事情会顺很多。

五个基础概念，按学习优先级排序

我结合自己踩过的坑和带过十几个新人的经验，把人工智能学习最该先搞懂的五个概念做了个排序。这个排序的逻辑是：越靠前的概念，对后面理解的支撑作用越强。

第一位是数据与特征。说白了就是你喂给机器什么，机器就学什么。特征是你从原始数据里挑出来的、对预测结果有帮助的那些信息。比如预测房价，面积、地段、楼层就是特征，而房主的星座就不是。很多人一上来就去搞模型，结果数据一团糟，特征选得莫名其妙，模型再好也白搭。我带过一个小伙子，用三万条数据训练了一个分类模型，准确率死活上不去，后来发现他把用户编号也当成特征喂进去了，这种错误在新手里太常见了。

第二位是模型与训练。模型你可以理解成一个还没被教过的学生，训练就是拿数据当教材，一遍一遍教它。训练的过程就是不断调整模型内部的参数，让它的预测结果跟真实答案越来越接近。这里面的核心是损失函数，它衡量的是模型当前预测跟正确答案之间的差距，训练的目标就是让这个差距尽可能小。说实话，我第一次看到损失函数这个词的时候，脑子里想的是赔钱了怎么办。

第三位是过拟合与欠拟合。这是新手最容易翻车的地方。欠拟合就是模型太笨，训练数据都学不明白。过拟合就是模型太聪明，把训练数据里的噪声都背下来了，换一批新数据就露馅。打个比方，你让学生背题，欠拟合是他连例题都背不下来，过拟合是他把例题的答案顺序都记住了，换个数就不会做。

第四位是评估指标。准确率、精确率、召回率这三个东西，刚接触的时候特别容易搞混。准确率是整体判断对了多少，精确率是预测为正的里面有多少是对的，召回率是所有正的里面找出来了多少。什么时候用哪个，取决于你的场景。比如做疾病筛查，漏掉一个病人的代价远大于误诊一个健康人，这时候就得优先看召回率。

第五位是超参数与调参。超参数不是模型自己学出来的，是你在训练之前就得定好的，比如学习率、批次大小、训练轮数。学习率尤其关键，设大了模型直接跑飞，设小了训练慢得让人想砸电脑。我印象特别深的一次，我把学习率从零点零一改到零点一，准确率当天就从百分之七十八掉到了百分之五十，气得我当晚没睡好。

这五个概念之间到底什么关系

你把这五个概念串起来看，其实就是一个完整的流程：你准备好数据和特征，选一个模型开始训练，训练过程中要盯着损失函数和评估指标，防止过拟合，同时通过调整超参数来优化效果。每一个环节出问题，最终的结果都会打折扣。

我记得有个做电商的朋友，他用人工智能学习做用户流失预测，模型在训练集上准确率高达百分之九十五，上线之后只有百分之六十。他找我看了半天代码，最后发现是过拟合太严重了，训练数据里包含了大量已经流失用户的历史行为，模型把这些特定行为当成了铁律。后来加了正则化，又补充了更多样化的数据，最终线上准确率稳定在百分之八十二左右。这个方法也不是每次都灵，换个场景可能又得重新调。

提示：人工智能学习初期，不要试图一次搞懂所有概念。把这五个基础概念弄明白，动手跑通一个最简单的项目，比看十篇理论文章都有用。

给刚入门的朋友三个实在建议

第一个建议，选工具别纠结。很多人卡在第一步，纠结用哪个框架，是选择这个还是那个。我的看法是，对于入门来说，差别真没那么大。你最该做的是打开一个在线编程环境，加载一份经典数据集，把模型跑起来，亲眼看看损失下降是什么样子。

第二个建议，动手永远比看视频重要。我看过太多人收藏了几百个小时的课程，进度条从来没过过前三集。哪怕你只会复制粘贴代码，只要你动手改了参数、观察了结果、记录了变化，你就在真正学习。我自己学的时候，最有效的办法就是把别人的代码改坏，看报错信息，然后想办法修好它。

第三个建议，找一个真实的小问题去解决。不要用那些玩具数据集，找一个跟你工作或生活相关的问题。比如统计一下你家附近外卖配送时间的规律，或者分析一下你们公司客户投诉的关键词分布。当你有一个真实目标的时候，学习效率会翻好几倍。

说到最后，我想起前几天那个读者后来又给我发了条消息，说他按照我建议的顺序重新开始，这次没有从算法推导入手，而是先花了两天把数据和特征搞明白，然后跑了一个最简单的线性回归。他说当看到屏幕上出现预测结果的那一刻，第一次觉得这东西好像也没那么吓人。人工智能学习这条路确实不轻松，但把最基础的概念理顺了，后面的路会好走很多。