一、机器学习基础

1. 监督学习

• 定义：使用带标注、有正确答案的数据训练模型。
• 核心：模型学习输入 → 输出的对应关系。
• 典型应用：图像识别、作业批改、垃圾短信分类、垃圾分类、发音纠正。

2. 机器学习完整流程

• 数据预处理：清洗错误、重复、无效数据，提升模型效果。
• 泛化能力：模型在从未见过的新数据上也能准确判断。
• 数据标注：给数据添加正确标签，是监督学习关键步骤。

二、工程思维

标准闭环流程

• 需求分析：明确痛点、问题、使用场景、功能目标。
• 技术适配：按需求选合适、可落地、易操作的技术，不盲目追新。
• 效果评估：看是否满足需求、准确率、效率、安全风险，不看界面美观。
• 迭代优化：根据评估结果，回头优化工具。

三、数据整理与分析

四大核心原则

• 真实性：不修改、不伪造原始数据。
• 全面性：兼顾各类样本，不片面。
• 相关性：只分析与问题相关的数据。
• 规范性：分类清晰、格式统一。

核心目的：从数据中发现规律，为模型优化与决策提供依据。

四、AI虚假信息辨析

• AI虚假原因：训练数据片面、算法缺陷、模型幻觉。
• 辨析方法：不盲目相信 → 用教材/官网/权威资料验证 → 批判性思考 → 不传播。

五、AI自主创新与社会责任

AI自主创新

• 核心：核心技术自主可控，不依赖国外。
• 意义：提升国家竞争力、赋能教育/医疗/社区。
• 中学生：学习AI知识、参与科创、关注国产AI。

AI社会责任

• 隐私保护：不泄露个人信息。
• 算法公平：避免偏见、歧视。
• 安全可靠：减少误判、漏判。
• 抵制滥用：不伪造、不造谣、不诈骗。

算法偏见

主要原因：训练数据单一、片面、不均衡 → 导致判断不公平。

六、主观题高分规则

• 提出 1–2 个有价值、紧扣场景 的AI问题。
• 结合知识点：机器学习、工程思维、数据处理、虚假信息辨析。
• 逻辑清晰、语句通顺。
• 字数严格控制在500字以内。

七、关键问题速答

• ✅ 工程思维流程：需求分析→技术适配→效果评估
• ✅ 监督学习核心：带标注数据训练
• ✅ 数据预处理目的：清洗错误数据，提升模型效果
• ✅ 辨析虚假信息：权威验证、不盲从、不传播
• ✅ 算法偏见原因：训练数据片面、单一
• ✅ 主观题高分：好问题+AI知识+500字内