千问3.5-2B人工智能入门：核心概念图解与经典算法复现

千问3.5-2B人工智能入门核心概念图解与经典算法复现1. 为什么选择千问3.5-2B学习AI如果你刚接触人工智能可能会被各种术语和概念搞得晕头转向。千问3.5-2B模型提供了一个特别适合新手的切入点——它不仅能帮你理解抽象概念还能让你直接动手实践。用这个模型学习AI有三大优势一是它的解释特别通俗能把复杂概念变成生活中的例子二是配套的代码非常简洁初学者也能轻松运行三是可以直接在星图平台上操作省去了繁琐的环境配置。2. 图解AI核心概念2.1 监督学习 vs 无监督学习想象你在教小朋友认水果。监督学习就像你拿着苹果说这是苹果拿着香蕉说这是香蕉——模型通过大量标注数据学习规律。无监督学习则是把一堆水果混在一起让模型自己发现苹果和香蕉的不同特征。用千问3.5-2B理解这个概念特别直观。你可以这样提问# 监督学习示例 问题 我有带标签的猫狗图片数据集想让模型学会区分这属于什么学习类型 回答 这属于监督学习因为你提供了明确的标签猫/狗作为正确答案供模型学习 # 无监督学习示例 问题 我有一堆客户购买记录但没有分类想找出相似购买模式该用什么方法 回答 适合用无监督学习中的聚类算法比如K-Means让数据自己形成分组2.2 神经网络如何工作把神经网络想象成快递分拣系统。输入层是收货窗口隐藏层是分拣员输出层是发货区。每个分拣员都会检查包裹的某些特征重量、尺寸等决定下一站送往哪里。通过不断调整分拣规则最终能准确把包裹送到正确区域。千问3.5-2B可以用更生动的例子解释问题 用快递分拣的例子解释神经网络 回答 想象你在分拣水果 1. 第一层工人按重量分轻的放左边传送带 2. 第二层工人按颜色分红的放A区黄的放B区 3. 最后一层工人综合判断把又轻又红的识别为草莓 每个判断规则就是神经网络的参数通过大量练习调整到最优2.3 损失函数的作用损失函数就像考试评分标准。假设你预测明天温度预测25℃实际26℃ → 扣1分预测25℃实际30℃ → 扣5分这个扣分规则就是损失函数它告诉模型预测偏离真实值有多远。千问3.5-2B能帮你理解不同损失函数的适用场景问题 预测房价和识别猫狗图片应该用哪种损失函数 回答 1. 房价预测是连续值适合用均方误差(MSE)关注数值差距 2. 图片分类是离散类别适合用交叉熵(Cross-Entropy)关注分类准确性 3. 经典算法动手实践3.1 线性回归实战我们来预测房屋面积和价格的关系。在星图平台新建Notebook运行以下代码import numpy as np from sklearn.linear_model import LinearRegression # 样本数据面积(㎡) vs 价格(万元) X np.array([[50], [80], [100], [120], [150]]) y np.array([200, 320, 400, 480, 600]) # 创建并训练模型 model LinearRegression() model.fit(X, y) # 预测120㎡的房子 print(f预测价格{model.predict([[120]])[0]:.1f}万元)关键点解释X是特征面积y是目标价格fit()方法让模型学习X→y的关系预测时传入新面积得到预估价格3.2 K-Means聚类示例对客户消费数据进行分组from sklearn.cluster import KMeans import matplotlib.pyplot as plt # 模拟数据年消费额(万) 购买频次(次/年) data np.array([ [5, 20], [5.5, 18], [3, 12], [12, 4], [15, 5], [11, 3] ]) # 分为2个群组 kmeans KMeans(n_clusters2).fit(data) labels kmeans.labels_ # 可视化 plt.scatter(data[:,0], data[:,1], clabels) plt.xlabel(年消费额(万)); plt.ylabel(购买频次) plt.show()你会看到数据自动分成两类高频次低金额可能普通用户低频次高金额可能企业客户4. 学习建议与常见问题刚开始建议先掌握这些核心概念机器学习三大类型监督/无监督/强化学习训练集/验证集/测试集的作用过拟合与欠拟合的识别遇到问题时可以这样问千问3.5-2B问题 模型在训练集表现好但测试集差可能是什么原因 回答 这可能是过拟合就像死记硬背考题却不会举一反三。解决方法包括1)增加数据量 2)使用正则化 3)简化模型结构保持动手实践很重要。星图平台提供了现成的环境你可以先修改示例代码中的参数比如调整线性回归的样本数据观察结果变化逐步建立直观感受。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。