AIAI Agent Dev Labaiagentdev-lab.com
登录以保存学习记录登录
菜单

AIF-C01 · LESSON 1

AI 和 ML 基础20% · 3 个主题

学习 AI、ML 和深度学习的基本概念与术语、AI 的实际用例以及 ML 开发生命周期。

1.1AI 的基本概念和术语

1.1 说明 AI 的基本概念和术语。

概念

AI（人工智能）是用机器完成人类智能工作的技术总称，其中一部分是 ML（机器学习：从数据中学习模式），ML 中又有一部分是深度学习（多层神经网络）。学习的类型有监督学习（带正确标签：分类、回归）、无监督学习（无标签：聚类、降维）和强化学习（通过奖励学习）。推理是用训练好的模型进行预测，分为实时推理和批量推理。

原理、步骤

  1. 确认要解决的问题是分类（类别）、回归（数值）还是聚类（分组）
  2. 根据是否有带正确标签的数据，决定使用监督学习还是无监督学习
  3. 图像、语音、自然语言等复杂数据常用深度学习
  4. 掌握数据的类型（结构化/非结构化、时间序列、带标签）

工作中的示例

如果过去的交易带有“欺诈”标签，就使用监督分类；如果没有标签、想找出与平常不同的交易，就使用无监督的异常检测。

易混淆点、考试注意事项

小测验

Q1. 总务部希望从合同文本中自动提取合同对方的名称和合同期限。主要使用的 AI 领域是哪一项？

  1. 计算机视觉
  2. 自然语言处理（NLP）
  3. 语音合成
  4. 强化学习
查看答案和解析

正确答案：B 自然语言处理（NLP）

理解文本含义并提取信息属于自然语言处理。如果是纸质合同，先用 OCR（如 Textract）转成文字再处理。

Q2. 关于强化学习，错误的说明是哪一项？

  1. 代理在环境中采取行动，并因此获得奖励
  2. 有时用于机器人控制、游戏攻略、网络广告投放优化等领域
  3. 通过反复试错学习使奖励变大的行动
  4. 在训练之前必须准备大量带正确标签的数据
查看答案和解析

正确答案：D 在训练之前必须准备大量带正确标签的数据

强化学习不是根据正确标签，而是根据对行动的奖励进行学习。需要正确标签的是监督学习。

参考链接

1.2AI 的实际用例

1.2 识别 AI 的实际用例。

概念

AI 适合从大量数据中发现模式、进行预测、自动化和个性化。另一方面，对于需要严格准确且规则明确的处理、数据较少的情况，或者不允许无法解释的判断的情况，AI 可能并不适合。AWS 提供按用途划分的 AI 服务（Rekognition：图像和视频，Comprehend：自然语言，Textract：文档，Transcribe：语音→文字，Polly：文字→语音，Translate：翻译，Lex：对话，Personalize：推荐）。

原理、步骤

  1. 明确业务问题以及期望 AI 带来的价值（时间、准确度、销售额）
  2. 判断是用规则就能解决的处理，还是需要 AI
  3. 确认能否用现成的 AI 服务解决
  4. 如果不够，就用 SageMaker AI 建立自己的模型

工作中的示例

电商网站的商品推荐用 Amazon Personalize，商品评论的情感分析用 Comprehend，从身份证图像中提取文字用 Textract。

易混淆点、考试注意事项

小测验

Q1. 为了建立图像分类模型，希望高效地为数万张图像添加正确标签。最合适的服务是哪一项？

  1. Amazon Polly
  2. SageMaker Ground Truth
  3. Amazon Translate
  4. SageMaker Model Registry
查看答案和解析

正确答案：B SageMaker Ground Truth

Ground Truth 是数据标注服务，具有管理标注人员（内部或外部）工作以及通过自动标注提高效率的功能。

Q2. 关于 Amazon Comprehend，错误的说明是哪一项？

  1. 可以从文本中提取关键短语以及人名、组织名等实体
  2. 可以分析文本的情感（肯定、否定等）
  3. 可以建立按自定义类别对文档进行分类的模型
  4. 是用于检测图像中的人脸并识别照片中人物的服务
查看答案和解析

正确答案：D 是用于检测图像中的人脸并识别照片中人物的服务

Comprehend 是处理文本的自然语言处理服务。图像和人脸分析是 Rekognition。

参考链接

1.3AI/ML 开发生命周期

1.3 说明 AI/ML 开发生命周期。

概念

ML 生命周期是以下过程的循环：定义业务目标 → 把问题转换为 ML 问题 → 收集和准备数据（预处理、特征工程）→ 训练和调优模型 → 评估 → 部署 → 监控和重新训练。MLOps 是使这一流程自动化、可复现的实践。SageMaker AI 包括 Data Wrangler（数据准备）、Feature Store、Pipelines、Model Registry、Model Monitor 等。

原理、步骤

  1. 确定业务目标和评估指标（准确率、召回率、业务 KPI）
  2. 收集数据，处理缺失值、进行归一化并创建特征
  3. 分为训练数据、验证数据和测试数据进行训练和评估
  4. 部署到终端节点，用 Model Monitor 监控漂移
  5. 用 Pipelines 自动化重新训练

工作中的示例

每月用新数据自动重新训练需求预测模型，只有在满足评估标准时才在 Model Registry 中审批并部署。

易混淆点、考试注意事项

小测验

Q1. 财务部的分析师希望不写程序，根据历史数据建立销售预测模型。最合适的 SageMaker AI 功能是哪一项？

  1. SageMaker Canvas
  2. SageMaker Model Monitor
  3. SageMaker Ground Truth
  4. SageMaker Model Registry
查看答案和解析

正确答案：A SageMaker Canvas

SageMaker Canvas 是无代码工具，只需界面操作就能完成从数据准备到建立预测模型和进行预测的全过程。

Q2. 关于 MLOps 的思路，错误的是哪一项？

  1. 监控生产模型的性能，必要时用新数据重新训练
  2. 记录实验的条件和结果，以便能够复现相同的结果
  3. 原则上模型一旦部署，即使准确度变化也不再更新
  4. 用自动化的步骤反复执行从数据准备到训练、部署的过程
查看答案和解析

正确答案：C 原则上模型一旦部署，即使准确度变化也不再更新

MLOps 是持续运转实验管理、可复现性、自动化、监控和重新训练的实践，会随数据的变化更新模型。

参考链接

课程由本站根据公开信息独立编写，不保证与考试内容一致。产品规格可能变化，请在参考链接中确认最新信息。

使用须知（非官方、原创题目、不保证合格）