特征工程是什么？模型为什么不能直接理解原始数据
特征工程不是随便增加几列，而是把原始业务数据整理成模型能稳定学习的信号。
AI基础
和「AI基础」相关的文章都收在这里，方便沿着同一个主题继续读下去。
标签归档
同一主题下的内容，会更容易看出思路是怎么慢慢长出来的。
机器学习项目的完整流程：从原始数据到模型预测
一个机器学习项目不是从训练模型开始，而是从定义问题、整理数据、训练评估到上线预测的一整条链路。
什么是人工智能？从机器会做什么开始理解 AI
AI 不是会思考的魔法，而是一类让机器完成感知、判断、生成和行动任务的方法与系统。
AI、机器学习、深度学习和生成式 AI 有什么区别？
用一张由大到小的知识地图，讲清 AI、ML、DL 和生成式 AI 之间的包含与交叉关系。
监督学习与无监督学习是什么？关键区别在有没有答案
监督学习用带答案的数据学习预测，无监督学习则从没有答案的数据中寻找结构和规律。
分类和回归有什么区别？先看模型要预测什么
分类预测离散类别，回归预测连续数值。任务类型会直接决定输出层、损失函数和评价指标。
特征、标签和数据集是什么？模型到底从什么里面学习
样本是一条完整记录，特征是提供给模型的信息，标签是监督学习希望模型预测的答案。
训练集、验证集和测试集分别做什么？
训练集用于学习参数，验证集用于选择方案，测试集只在最后评估一次模型的真实泛化能力。
准确率、精确率、召回率和 F1 到底怎么看？
从混淆矩阵出发理解四个分类指标，并根据漏判和误判的实际代价选择评价标准。
过拟合、欠拟合和数据泄漏是什么？
欠拟合是规律没学会，过拟合是只记住训练数据，数据泄漏则让模型提前看到了不该知道的信息。
神经网络到底是什么？一篇给 AI 初学者的入门解释
不从公式开始，而是从“机器怎样学会判断”这件事讲起，把神经网络、神经元、参数、训练和预测串成一条清楚的线。
激活函数是什么？为什么神经网络不能没有它
激活函数让神经网络拥有非线性表达能力。没有它，再多层网络也可能只是一个更复杂的线性模型。
损失函数是什么？模型为什么要算自己错多少
损失函数像训练过程里的成绩单，告诉模型预测结果和真实答案之间差了多少。
CrossEntropyLoss 详解：分类任务为什么常用它
CrossEntropyLoss 常用于分类任务，它关注的不只是模型有没有猜对，还关注模型对正确类别有多自信。
梯度下降算法是什么？参数到底怎么一步步更新
梯度下降可以理解成沿着损失函数的坡度往低处走，目标是找到让模型错误更小的参数。
Tensor 是什么？PyTorch 里最重要的对象讲清楚
Tensor 可以理解成更通用的数组，它承载数据、参数和梯度，是 PyTorch 训练流程的基础。
我为什么开始写这个 AI 技术博客
这个博客会记录我从零学习 AI 的过程：把概念讲清楚，把项目跑通，也把踩坑和复盘留下来。