欢迎来到人工智能的世界！

你好！今天，我们要深入探讨 H2 计算机科学（Computing）旅程中最令人兴奋的章节之一：人工智能 (Artificial Intelligence, AI)。你可能每天都在与 AI 互动——无论是手机的人脸解锁、Netflix 为你推荐感兴趣的影集，还是聊天机器人回答你的问题。在本章中，我们将揭开这些“智能”系统的运作原理。如果起初觉得像科幻小说也不用担心，我们会一步一步为你拆解！


1. 什么是人工智能 (AI)？

人工智能 (Artificial Intelligence) 的核心，是指计算机系统执行原本需要人类智能才能处理的复杂任务的能力。

要将一个系统称为“AI”，需具备以下两点：

  1. 自主性 (Autonomy)： 它可以在无须人类持续指导的情况下执行任务。
  2. 学习能力 (Learning)： 它能随着数据积累而改善其表现。

AI 任务的现实例子

课程大纲强调了几个 AI 非常擅长的任务：

  • 人脸识别： 解锁你的智能手机。
  • 语音识别： Siri 或 Alexa 理解你的指令。
  • 图像分类： Google 相册识别相册中的“狗”与“猫”。
  • 垃圾邮件过滤： 电子邮件收件箱自动侦测“垃圾”邮件。
  • 棋类游戏： 如 AlphaGo 等 AI 在桌上游戏中击败世界冠军。
  • 文本生成： AI 撰写故事、电邮，甚至编写程序代码。
  • 图像生成： 根据文字提示创作逼真的艺术作品或照片。

重点总结： AI 不仅仅是一台“快速计算机”；它是一个从数据中学习模式，并从中自行作出决策的系统。


2. 机器学习 (ML) 与传统程序编写的区别

机器学习 (Machine Learning, ML) 是实现 AI 的其中一种特定技术。为了理解它，让我们将其与我们平时编写程序的方式作对比。

传统程序编写 (Traditional Programming)

在传统程序编写中，由你（人类）写下一套严格的规则 (Rules)。计算机接收数据 (Data)，严格遵守你设定的规则，然后得出输出 (Output)。

类比：依照食谱烹饪。如果食谱写着“加入 2 颗鸡蛋”，计算机就会加入 2 颗鸡蛋。如果没有鸡蛋，计算机就会因为不知道该怎么办而死机！

机器学习 (Machine Learning)

在机器学习中，我们给计算机数据和理想的答案（输出）。计算机随后利用算法自行找出其中的规则！

类比：婴儿学习什么是“椅子”。你不会给婴儿一张测量清单，而是让他们看 50 张不同的椅子，直到他们的大脑识别出这些物体的共同规律。

快速检阅：

  • 传统编程： 数据 + 规则 \(\rightarrow\) 输出
  • 机器学习： 数据 + 输出 \(\rightarrow\) 规则

3. 两大学习类型

本课程主要探讨两种机器学习方式：监督式学习 (Supervised Learning) 与非监督式学习 (Unsupervised Learning)。

A. 监督式学习 (Supervised Learning)

在监督式学习中，计算机会使用“已标记 (labeled)”的数据集进行训练。这意味着每一笔数据都附带正确答案（标签）。其目标是让计算机学会数据与标签之间的对应关系。

例子：K-近邻算法 (K-Nearest Neighbours, KNN)

想象你有一张红果与绿果的地图。如果你找到一颗新的水果，KNN 会观察与它最接近的 \( k \) 颗水果。如果大多数“邻居”是红色的，计算机就会将新水果标记为红色。

B. 非监督式学习 (Unsupervised Learning)

在非监督式学习中，计算机接收的是没有标签的数据。它必须自行找出数据中隐藏的模式或结构。

例子：K-平均算法 (K-Means Clustering)

想象你有一堆混乱的 LEGO 积木，你要求计算机将它们分成 3 堆。计算机可能会根据形状或颜色进行分组，因为它注意到这些积木看起来相似，即使你从未定义过什么是“方形”或“蓝色”。

记忆小撇步：

Supervised（监督式） = Someone（有人）告诉它答案。
Unsupervised（非监督式） = Unknown labels（未知标签）；自行寻找分组。


4. 机器学习工作流程的 7 个步骤

当你想要使用 ML 解决问题时，需要遵循一个标准流程。如果这看起来很冗长别担心，这就像做科学实验一样！

  1. 数据收集 (Gathering Data)： 尽可能收集相关信息。
  2. 数据准备 (Preparing Data)： 清理数据（移除错误）并调整格式。
  3. 选择模型 (Choosing a Model)： 决定使用哪种算法（例如 KNN 或 K-Means）。
  4. 训练 (Training)： 将数据输入模型，让它学习模式。
  5. 评估 (Evaluating)： 在模型未见过的数据上进行测试，检查其准确性。
  6. 参数调整 (Tuning Parameters)： 微调模型设置，以提升其表现。
  7. 进行预测 (Making Predictions)： 使用完成训练的模型来处理现实世界中的新数据。

重点总结： ML 中大部分的工作其实在于收集和准备数据。如果你给计算机“垃圾”数据，你就会得到“垃圾”预测结果！


5. 在 Python 中实现 ML (sklearn)

在实现课程中，你可能会使用 sklearn (scikit-learn) 函数库。以下是参考指南中最重要、必须记住的部分：

对于监督式学习 (KNN)：

使用 sklearn.neighbors 模块。你可以使用 KNeighborsClassifier() 建立分类器。
两个最重要的方法是：

  • .fit(X, y)： 这是“训练”步骤。\( X \) 是你的数据，\( y \) 是标签。
  • .predict(X_new)： 这是针对新数据的“预测”步骤。

对于非监督式学习 (K-Means)：

使用 sklearn.cluster 模块。你可以使用 KMeans() 建立模型。
由于没有标签 (\( y \))，你只需要使用：

  • .fit(X)： 模型观察数据 \( X \) 并找出集群 (clusters/分组)。
  • .cluster_centers_： 这个属性会显示每个分组的“中心点”。

测试你的模型：

使用 sklearn.model_selection 模块中的 train_test_split()。这能帮助你将数据分为两组：训练集和测试集，以确保你的 AI 真的是学会了，而不仅仅是背下了答案！

必须避免的常见错误： 千万不要用训练时完全相同的数据来测试你的模型。这就像老师在正式考试中出跟练习卷一模一样的题目——这无法证明你理解概念，只证明你有很好的记忆力！


总结检查清单

- 你能定义 AI 并列出它的两个主要特征吗？
- 你知道 ML 与传统程序编写的区别吗？
- 你能用例子（KNN 对比 K-Means）解释监督式与非监督式学习吗？
- 你记得 ML 工作流程的 7 个步骤吗？
- 你熟悉 Python 中的 .fit() 和 .predict() 吗？

你一定做得到的！AI 是一个广大的领域，但只要掌握这些基础知识，你就已经在理解塑造我们世界的技术之路上迈进了一大步。