一、核心知识点梳理
1. 机器学习基础
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。
机器学习完整流程
数据收集 → 数据预处理 → 模型训练 → 模型测试 → 模型应用
- 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。
2. 工程思维
标准闭环流程
需求分析 → 技术适配 → 效果评估 → 迭代优化
- 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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
二、多选题高频陷阱速记
1. 工程思维流程类（最常考）
需求分析 → 技术适配 → 效果评估 → 迭代优化
- 陷阱1：把 需求分析 放到技术适配里
- 陷阱2：把 效果评估 放到技术适配里
- 陷阱3：把 界面美观 当作效果评估核心
- 陷阱4：认为技术适配 = 选最先进/最复杂技术
2. 机器学习 / 监督学习类
- 陷阱1：监督学习 = 无标注数据（错）→ 正确是 带标注
- 陷阱2：监督学习只能用于图像（错）→ 文本、语音都可以
- 陷阱3：数据可以随意修改、随意删除（错）
- 陷阱4：模型训练只看训练集，不看泛化能力（错）
3. 数据处理与分析类
- 陷阱1：可以 篡改、伪造、隐瞒数据 让结果更好看
- 陷阱2：只保留部分数据，删除不利数据
- 陷阱3：数据越多越好，不看相关性、真实性
- 陷阱4：数据处理 = 只统计数量，不分类、不分析
4. AI虚假信息辨析类
- 陷阱1：直接相信AI生成内容
- 陷阱2：随意传播未验证信息
- 陷阱3：只凭个人感觉判断真假
- 陷阱4：认为AI不会出错
5. AI自主创新类
- 陷阱1：完全依赖国外技术，不需要自主创新
- 陷阱2：自主创新只和工程师有关，和学生无关
- 陷阱3：引进技术=自主创新（错）
6. AI社会责任与隐私类
- 陷阱1：收集数据可以不考虑隐私
- 陷阱2：可以随意使用他人数据
- 陷阱3：算法一定公平，不会有偏见
- 陷阱4：用AI伪造信息、造谣是允许的
7. 算法偏见类
- 陷阱1：算法偏见只来自算法设计（错）→ 主要来自 数据片面、单一
- 陷阱2：算法偏见无法避免、无法优化
8. AI学习与科创实践类
- 陷阱1：初中AI学习 = 死记术语、不重应用
- 陷阱2：科创必须做复杂模型、写代码
- 陷阱3：只做想法，不落地、不测试
9. 多选题通用做题技巧
- 看到 绝对化词 大多是错的：完全、所有、一定、只需、无需
- 看到 随意、随便、任意 基本都是错
- 强调合理、规范、安全、真实、全面的选项大多正确
- 把需求/技术/评估混在一起的选项是陷阱