D1D AI方法与原理技术基础
机器学习：从任务选择到可靠评估
使用虚构积木体验站的数据，学习监督与无监督学习、回归分类、决策树及集成、聚类推荐和异常检测，并完成一条包含基线、划分、指标、误差分析的建模设计。课程以能解释和能复核为目标，不需要运行代码，强调模型成绩与未来使用条件之间的联系。
学完你将能够
- 按目标输出与标签条件选择学习任务
- 解释常见模型的工作方式及限制
- 根据错误代价选择回归与分类评估指标
- 设计避免泄漏并可复核的小型建模方案
课节目录
综合项目：积木体验站的提前提示建模方案
设计一个在任务开始前识别十分钟内可能未完成的辅助提示方案。使用虚构数据，不连接真实系统，不要求训练；重点是给出可执行实验与诚实的验收边界。
步骤
- 写明预测时点、未完成正类与统一标签口径
- 制作包含容易困难与多个虚构角色的输入样表及字段字典
- 按角色分组隔离训练验证测试并说明处理规则来源
- 提出多数类基线、逻辑分类和浅树三个方案
- 用给定或自编混淆矩阵比较指标，并在验证阶段选择阈值
- 审核误报漏报，提出数据或特征改进
- 列出漂移监测、人工复核及暂停条件
交付物
- 问题卡、输入样表与分组划分方案
- 基线候选对比、指标计算及阈值理由
- 错误案例、局限说明与监测交付清单
自查标准
- 开始前特征不含完成后的信息
- 分类指标正类及分母正确
- 基线与候选在相同条件比较
- 阈值不按最终测试反复修改
- 至少一个误报和一个漏报有具体解释
- 明确作品是设计演练，不宣称真实生产可用
查看参考方案
参考方案摘要
目标是在任务开始前发现十分钟内可能未完成的尝试，未完成为正类。输入使用积木数量、预设难度、结构步骤和此前练习次数，不使用本次最终用时、贴纸或结束后反馈。虚构角色按组分入训练、验证、测试，填充和编码规则只从训练学习。总猜完成是基线，逻辑分类与浅树是候选，验证阶段结合提示检查容量选阈值。
示范测试矩阵为真正例三、假正例二、假负例一、真负例四，准确率七成、精确率六成、召回率七成五。该小样本不足以保证未来成绩，需要同时列出类别数量与错误案例。漏报的困难塔楼应核对样本覆盖和开始前支撑结构描述，误报的容易桥梁应核对是否存在过度保守阈值；不能删除错误后重新包装高分。
交付记录数据版本、分组名单、模型设置和阈值理由，监测积木范围、未知类别、缺失比例与后续标签指标。遇到新的限时规则或超出训练范围的配置，暂停自动建议并转人工审核。此作品只说明实验设计与计算方法，不运行真实模型，不等于生产服务上线，更不承诺个体一定完成。