自主学习工作台
规则、样本与模型
用校园失物案例建立规则程序和机器学习的区别。0 / 2
人工智能基础小课
先理解核心概念和示例，再把每个结论对应到可观察的证据。
核心讲解
从事实和步骤建立理解
普通规则程序由人事先写清“如果什么情况就做什么”。机器学习模型则从带标签的样本中寻找规律，再对新样本给出预测。预测依据数据和特征，不等于事实；样本少、特征不完整或场景变化时，模型都可能出错。
关键概念
- 规则程序按人工写好的条件执行，机器学习从样本中学习模式
- 数据由多个样本组成；特征是可比较的线索，标签是已知类别名称
- 模型根据特征给出预测，预测需要用新证据检验
- 错误并不总是偶然，缺少某类样本会让模型在该场景更不可靠
带着证据看示例
失物招领处想把图片分成“水杯”和“书本”。规则程序可以规定“有瓶盖且细长就标水杯”；机器学习则查看许多已标注图片中的形状、颜色和边缘特征。新图片被预测为水杯时，仍要人工核对，因为侧放的书本或被遮挡的水杯可能让模型判断错误。
课堂材料
- 校园失物图片样本用于“人工智能基础：从规则到学习”的观察、操作或记录。
- 特征与标签记录表用于“人工智能基础：从规则到学习”的观察、操作或记录。
- 固定规则卡用于“人工智能基础：从规则到学习”的观察、操作或记录。
- 预测核对单用于“人工智能基础：从规则到学习”的观察、操作或记录。