中文
Python 人工智能小实战：用 scikit-learn 完成一个分类任务
前面几篇文章讲了人工智能概念、机器学习流程、模型训练评估和神经网络基础。这一篇用一个小实战把流程跑通：使用 Python 和 scikit-learn 完成一个二分类任务。
这个例子使用 scikit-learn 内置的 breast cancer 数据集，不需要额外下载文件。重点不是追求最高分，而是完整经历数据加载、拆分、标准化、训练、预测和评估。
注意：这个数据集只用于机器学习教学练习，不能用于医疗判断或现实诊断。本文关注的是分类流程，而不是医学结论。
一、准备环境
建议先创建虚拟环境，再安装依赖：
python3 -m venv .venv
source .venv/bin/activate
pip install scikit-learn本文只使用 scikit-learn，不依赖深度学习框架。这样可以把注意力放在机器学习的基本流程上。
二、完整代码
下面是一份可以直接运行的代码：
from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
def main():
dataset = load_breast_cancer()
X = dataset.data
y = dataset.target
X_train, X_test, y_train, y_test = train_test_split(
X,
y,
test_size=0.2,
random_state=42,
stratify=y,
)
model = Pipeline(
steps=[
("scaler", StandardScaler()),
("classifier", LogisticRegression(max_iter=500)),
]
)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
print("Accuracy:", accuracy_score(y_test, y_pred))
print("Confusion matrix:")
print(confusion_matrix(y_test, y_pred))
print("Classification report:")
print(classification_report(y_test, y_pred, target_names=dataset.target_names))
if __name__ == "__main__":
main()
保存为 ai_classification_demo.py 后运行：
python ai_classification_demo.py如果你第一次运行时下载或导入依赖较慢，可以先确认虚拟环境已经启用，并用 python -c "import sklearn; print(sklearn.__version__)" 检查 scikit-learn 是否安装成功。
三、数据集是什么
load_breast_cancer() 会返回一个二分类数据集。每条样本包含多个数值特征，标签表示样本属于哪一类。
在代码里：
X是特征矩阵，每一行是一条样本y是标签数组，每个元素对应一条样本的类别dataset.target_names保存类别名称
这个数据集已经被整理成数值特征，适合用来练习基础分类流程。
四、为什么要拆分训练集和测试集
代码中使用了 train_test_split()：
X_train, X_test, y_train, y_test = train_test_split(
X,
y,
test_size=0.2,
random_state=42,
stratify=y,
)这里 test_size=0.2 表示 20% 数据用于测试。stratify=y 表示划分后尽量保持类别比例一致，这对分类任务很有用。
如果不拆分测试集，只在训练集上看结果，模型可能只是记住了训练样本，而不是真的具备泛化能力。
五、为什么使用 Pipeline
代码里没有单独先标准化再训练，而是使用了 Pipeline：
model = Pipeline(
steps=[
("scaler", StandardScaler()),
("classifier", LogisticRegression(max_iter=500)),
]
)这样做有两个好处：
- 标准化和模型训练被放在同一个流程里，不容易漏步骤
- 测试集会使用训练集上学到的标准化参数，避免数据泄漏
数据泄漏是初学者常见错误。如果你先对完整数据做标准化，再拆分训练集和测试集，测试集的信息就已经提前影响了训练过程。
六、模型为什么选逻辑回归
逻辑回归是分类任务里非常经典的基线模型。它训练速度快、结果稳定、容易解释，适合作为入门模型。
这里没有直接使用神经网络，是因为入门时先跑通完整流程更重要。等你能解释这段代码的每一步，再换成随机森林、支持向量机或神经网络会更自然。
七、怎么看评估结果
代码会输出三类结果：
Accuracy：整体预测正确比例confusion_matrix：模型把哪些类别预测错了classification_report：precision、recall、F1-score 等指标
如果准确率很高，也不要马上结束。你还应该看混淆矩阵，确认模型主要错在哪一类；再看 recall 和 precision，判断错误类型是否符合业务要求。
八、可以继续尝试什么
跑通代码后，可以做几个小实验：
- 把
test_size改成 0.3，观察结果是否稳定 - 去掉
StandardScaler，比较指标变化 - 把
LogisticRegression换成RandomForestClassifier - 打印
dataset.feature_names，理解每个特征的含义 - 尝试找出预测错误的样本索引，看看它们有什么特点
人工智能基础学习的关键，是把每个例子都拆成可解释的步骤。你不只是运行了一个分类模型，而是完整走过了一次机器学习工作流。
九、把这个练习写进学习笔记
建议你运行完代码后，记录下面几项：
- 数据集有多少样本、多少特征、几个类别
- 训练集和测试集分别有多少样本
- 准确率、precision、recall 和 F1-score 分别是多少
- 混淆矩阵里哪一类错误更多
- 去掉标准化或换模型后，结果有什么变化
这些记录比单纯截图一个准确率更有价值，因为它们能帮助你解释实验，而不是只保存结果。
十、系列回顾
这篇文章把前面的内容落到了代码上。需要回看概念时，可以从 人工智能基础学习路线 重新开始，也可以回到 博客页 查看完整系列。
英文
Python AI Mini Practice: A Classification Task with scikit-learn
在独立页面打开The previous articles covered AI concepts, the machine learning workflow, model training and evaluation, and neural network basics. This article runs a small end-to-end practice project: a binary classification task with Python and scikit-learn.
The example uses the breast cancer dataset built into scikit-learn, so no external data file is required. The goal is not to chase the highest score. The goal is to walk through loading data, splitting data, standardizing features, training, predicting, and evaluating.
Note: this dataset is used here only for machine learning practice. It should not be used for medical decisions or real diagnosis. The article focuses on the classification workflow, not medical conclusions.
1. Prepare the Environment
Create a virtual environment and install the dependency:
python3 -m venv .venv
source .venv/bin/activate
pip install scikit-learnThis example uses only scikit-learn, not a deep learning framework. That keeps the focus on the basic machine learning workflow.
2. Complete Code
The following script can be run directly:
from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
def main():
dataset = load_breast_cancer()
X = dataset.data
y = dataset.target
X_train, X_test, y_train, y_test = train_test_split(
X,
y,
test_size=0.2,
random_state=42,
stratify=y,
)
model = Pipeline(
steps=[
("scaler", StandardScaler()),
("classifier", LogisticRegression(max_iter=500)),
]
)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
print("Accuracy:", accuracy_score(y_test, y_pred))
print("Confusion matrix:")
print(confusion_matrix(y_test, y_pred))
print("Classification report:")
print(classification_report(y_test, y_pred, target_names=dataset.target_names))
if __name__ == "__main__":
main()
Save it as ai_classification_demo.py and run:
python ai_classification_demo.pyIf dependency import feels slow the first time, confirm that the virtual environment is active and run python -c "import sklearn; print(sklearn.__version__)" to check that scikit-learn is installed.
3. What the Dataset Contains
load_breast_cancer() returns a binary classification dataset. Each sample contains numeric features, and the label indicates which class the sample belongs to.
In the script:
Xis the feature matrix, with one row per sampleyis the label array, with one label per sampledataset.target_namescontains the class names
The dataset is already prepared as numeric features, which makes it useful for practicing classification basics.
4. Why Split Training and Test Data?
The script uses train_test_split():
X_train, X_test, y_train, y_test = train_test_split(
X,
y,
test_size=0.2,
random_state=42,
stratify=y,
)test_size=0.2 means 20% of the data is reserved for testing. stratify=y tries to preserve the class ratio after the split, which is useful for classification.
If you evaluate only on training data, the model may have memorized training examples instead of learning a pattern that generalizes.
5. Why Use Pipeline?
The code uses Pipeline instead of manually standardizing first and training later:
model = Pipeline(
steps=[
("scaler", StandardScaler()),
("classifier", LogisticRegression(max_iter=500)),
]
)This has two benefits:
- Standardization and classification stay in one reproducible workflow
- The test set uses scaling parameters learned only from the training set, which avoids data leakage
Data leakage is a common beginner mistake. If you standardize the full dataset before splitting, information from the test set has already influenced training.
6. Why Logistic Regression?
Logistic regression is a classic baseline for classification. It is fast, stable, and easier to explain than many more complex models.
This example does not start with a neural network because running the full workflow is more important at this stage. Once every line in this script is clear, replacing the classifier with a random forest, support vector machine, or neural network becomes more meaningful.
7. How to Read the Evaluation
The script prints three kinds of results:
Accuracy: the overall proportion of correct predictionsconfusion_matrix: which classes were predicted incorrectlyclassification_report: precision, recall, F1-score, and related metrics
Even if accuracy is high, do not stop there. Check the confusion matrix to see which class causes mistakes, then compare precision and recall to the requirements of the problem.
8. What to Try Next
After the script runs, try a few small experiments:
- Change
test_sizeto 0.3 and see whether results stay stable - Remove
StandardScalerand compare the metrics - Replace
LogisticRegressionwithRandomForestClassifier - Print
dataset.feature_namesand read what each feature means - Find the indexes of wrong predictions and inspect those samples
The key to learning AI foundations is to make each example explainable. In this practice project, you did not just run a classifier. You walked through a complete machine learning workflow.
9. Add This Practice to Your Notes
After running the code, record these details:
- How many samples, features, and classes the dataset contains
- How many samples are in the training and test sets
- The accuracy, precision, recall, and F1-score
- Which type of mistake appears more often in the confusion matrix
- What changes when you remove standardization or switch models
These notes are more useful than saving only one accuracy value because they help you explain the experiment, not just preserve the result.
10. Series Review
This article turns the previous concepts into code. To revisit the foundations, start again from the AI Basics Learning Roadmap, or return to the Blog page for the full series.
前面几篇文章讲了人工智能概念、机器学习流程、模型训练评估和神经网络基础。这一篇用一个小实战把流程跑通：使用 Python 和 scikit-learn 完成一个二分类任务。
这个例子使用 scikit-learn 内置的 breast cancer 数据集，不需要额外下载文件。重点不是追求最高分，而是完整经历数据加载、拆分、标准化、训练、预测和评估。
注意：这个数据集只用于机器学习教学练习，不能用于医疗判断或现实诊断。本文关注的是分类流程，而不是医学结论。
一、准备环境
建议先创建虚拟环境，再安装依赖：
python3 -m venv .venv
source .venv/bin/activate
pip install scikit-learn本文只使用 scikit-learn，不依赖深度学习框架。这样可以把注意力放在机器学习的基本流程上。
二、完整代码
下面是一份可以直接运行的代码：
from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
def main():
dataset = load_breast_cancer()
X = dataset.data
y = dataset.target
X_train, X_test, y_train, y_test = train_test_split(
X,
y,
test_size=0.2,
random_state=42,
stratify=y,
)
model = Pipeline(
steps=[
("scaler", StandardScaler()),
("classifier", LogisticRegression(max_iter=500)),
]
)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
print("Accuracy:", accuracy_score(y_test, y_pred))
print("Confusion matrix:")
print(confusion_matrix(y_test, y_pred))
print("Classification report:")
print(classification_report(y_test, y_pred, target_names=dataset.target_names))
if __name__ == "__main__":
main()
保存为 ai_classification_demo.py 后运行：
python ai_classification_demo.py如果你第一次运行时下载或导入依赖较慢，可以先确认虚拟环境已经启用，并用 python -c "import sklearn; print(sklearn.__version__)" 检查 scikit-learn 是否安装成功。
三、数据集是什么
load_breast_cancer() 会返回一个二分类数据集。每条样本包含多个数值特征，标签表示样本属于哪一类。
在代码里：
X是特征矩阵，每一行是一条样本y是标签数组，每个元素对应一条样本的类别dataset.target_names保存类别名称
这个数据集已经被整理成数值特征，适合用来练习基础分类流程。
四、为什么要拆分训练集和测试集
代码中使用了 train_test_split()：
X_train, X_test, y_train, y_test = train_test_split(
X,
y,
test_size=0.2,
random_state=42,
stratify=y,
)这里 test_size=0.2 表示 20% 数据用于测试。stratify=y 表示划分后尽量保持类别比例一致，这对分类任务很有用。
如果不拆分测试集，只在训练集上看结果，模型可能只是记住了训练样本，而不是真的具备泛化能力。
五、为什么使用 Pipeline
代码里没有单独先标准化再训练，而是使用了 Pipeline：
model = Pipeline(
steps=[
("scaler", StandardScaler()),
("classifier", LogisticRegression(max_iter=500)),
]
)这样做有两个好处：
- 标准化和模型训练被放在同一个流程里，不容易漏步骤
- 测试集会使用训练集上学到的标准化参数，避免数据泄漏
数据泄漏是初学者常见错误。如果你先对完整数据做标准化，再拆分训练集和测试集，测试集的信息就已经提前影响了训练过程。
六、模型为什么选逻辑回归
逻辑回归是分类任务里非常经典的基线模型。它训练速度快、结果稳定、容易解释，适合作为入门模型。
这里没有直接使用神经网络，是因为入门时先跑通完整流程更重要。等你能解释这段代码的每一步，再换成随机森林、支持向量机或神经网络会更自然。
七、怎么看评估结果
代码会输出三类结果：
Accuracy：整体预测正确比例confusion_matrix：模型把哪些类别预测错了classification_report：precision、recall、F1-score 等指标
如果准确率很高，也不要马上结束。你还应该看混淆矩阵，确认模型主要错在哪一类；再看 recall 和 precision，判断错误类型是否符合业务要求。
八、可以继续尝试什么
跑通代码后，可以做几个小实验：
- 把
test_size改成 0.3，观察结果是否稳定 - 去掉
StandardScaler，比较指标变化 - 把
LogisticRegression换成RandomForestClassifier - 打印
dataset.feature_names，理解每个特征的含义 - 尝试找出预测错误的样本索引，看看它们有什么特点
人工智能基础学习的关键，是把每个例子都拆成可解释的步骤。你不只是运行了一个分类模型，而是完整走过了一次机器学习工作流。
九、把这个练习写进学习笔记
建议你运行完代码后，记录下面几项：
- 数据集有多少样本、多少特征、几个类别
- 训练集和测试集分别有多少样本
- 准确率、precision、recall 和 F1-score 分别是多少
- 混淆矩阵里哪一类错误更多
- 去掉标准化或换模型后，结果有什么变化
这些记录比单纯截图一个准确率更有价值，因为它们能帮助你解释实验，而不是只保存结果。
十、系列回顾
这篇文章把前面的内容落到了代码上。需要回看概念时，可以从 人工智能基础学习路线 重新开始，也可以回到 博客页 查看完整系列。
搜索问题
常见问题
这篇文章适合谁读？
这篇文章适合想用 实战 难度理解“Python 人工智能小实战：用 scikit-learn 完成一个分类任务”的读者，预计阅读时间约 10 分钟，重点覆盖 Python, scikit-learn, Classification。
读完后下一步应该看什么？
可以从文末相关阅读、项目页和知识图谱继续进入相邻主题。
这篇文章有没有可运行代码或配套资源？
有。页面里的运行说明、资源卡片和下载入口会指向复现实验所需的命令、数据、代码或说明文件。
这篇文章和整个网站的学习路线有什么关系？
它会通过文章上下文、学习路线、资源库和项目时间线连接到同一主题下的其他内容。
文章上下文
人工智能项目
从 AI、机器学习、训练评估、神经网络到 Python 小实战、手写数字识别、CIFAR-10 CNN、对抗性流量防御和 AI 安全攻防，按顺序建立基础。
配套资源
人工智能项目 / CODE
Python AI 小实战代码说明
文章内包含可直接复制运行的 scikit-learn 分类脚本。
项目时间线
已发布文章
- 人工智能基础学习路线：先理解什么是 AI、机器学习和深度学习 面向有编程基础的读者，梳理 AI、机器学习、深度学习的关系，并给出可执行的人工智能基础学习路线。
- 机器学习完整流程：从数据、特征到模型预测 从工程视角拆解机器学习完整流程：定义问题、理解数据、处理特征、训练模型、预测和评估。
- 机器学习算法怎么选：分类、回归、聚类和推荐场景对照表 用任务类型、数据规模、解释性和部署成本选择机器学习算法，覆盖逻辑回归、决策树、随机森林、K-means 和表格数据基线模型。
- 特征工程入门实战：用 scikit-learn 处理缺失值、类别变量和数值标准化 用 scikit-learn Pipeline 和 ColumnTransformer 完成特征工程，处理缺失值、类别变量、数值标准化，并避免数据泄漏。
- 模型训练与评估入门：损失函数、过拟合和准确率怎么理解 讲清楚模型训练中的参数、损失函数、梯度下降、过拟合，以及准确率、召回率、F1 等分类评估指标。
- 过拟合和欠拟合怎么解决：机器学习模型调优实战指南 用训练分数和验证分数判断过拟合与欠拟合，并通过模型复杂度、正则化、交叉验证和特征工程调整机器学习模型。
- 神经网络基础：从感知机到多层网络 从一个神经元讲起，解释权重、偏置、激活函数、前向传播、反向传播和典型神经网络训练循环。
- Python 人工智能小实战：用 scikit-learn 完成一个分类任务 使用 scikit-learn 内置教学数据集跑通一个分类任务，覆盖数据加载、拆分、标准化、训练、预测、评估和实验记录。
- 手写数字识别项目入门：先读懂 train.csv、test.csv 和标签结构 从项目文件结构入手，读懂手写数字训练集、测试集、标签列和 784 维像素输入，为后续 C 分类器和实验台打基础。
- 用 C 实现手写数字 Softmax 分类器：从 784 维像素到 submission.csv 结合当前项目源码，讲清楚 softmax 多分类、损失函数、梯度更新、混淆矩阵输出，以及 submission.csv 的生成过程。
- 手写数字实验记录：怎么把离线分类项目接进浏览器实验台 解释浏览器实验台为什么采用轻量预训练模型、它和离线 C 项目的关系，以及如何用样本浏览和手绘输入理解预测结果。
- CIFAR-10 Tiny CNN 教程：用 C 语言实现小型卷积神经网络图像分类 用单文件 C 程序完成 CIFAR-10 小型 CNN 图像分类，讲解数据格式、网络结构、训练命令、loss、accuracy、常见错误和改进方向。
- 构建高熵流量防御：基于 Python 的连接层白噪声混淆与对抗性机器学习实践 以 mld_chaffing_v2.py 虚幻镜项目为例，讲解加密元数据泄漏、信息熵、分布距离、混淆矩阵、空闲窗口微脉冲和性能测试取舍。
- AI 安全威胁建模：用 NIST AML、MITRE ATLAS 和 OWASP 建立攻防地图 用 NIST Adversarial ML、MITRE ATLAS 和 OWASP LLM Top 10 建立 AI 安全威胁模型，覆盖资产、攻击面、证据和剩余风险。
- 对抗样本与鲁棒评估：从 FGSM 公式到 scikit-learn 数字分类实验 从 FGSM 公式解释对抗样本，用 scikit-learn digits toy 实验评估 clean accuracy、perturbed accuracy 和扰动预算。
- 数据投毒与后门攻击防御：污染率、触发器和训练管线隔离 用 toy digits 实验解释数据投毒、后门触发器、attack success rate、数据来源审计和训练管线隔离。
- 模型隐私与模型窃取风险：成员推断、模型抽取和输出接口防护 用本地 toy 实验解释成员推断、模型抽取、membership AUC、surrogate fidelity、输出最小化和查询治理。
- LLM/RAG/Agent 安全：Prompt Injection、工具权限和边界感知防护 从 RAG 和 Agent 架构解释 prompt injection、外部数据降权、工具 allowlist、人工审批和边界感知防护。
- 人工智能 NLP 基础：词袋模型与 TF-IDF 详解 介绍自然语言处理中最基础的文本表示方法：词袋模型（Bag of Words）与 TF-IDF，理解它们的工作原理及优缺点。
- 循环神经网络 (RNN) 基础：处理序列数据的记忆力 理解 RNN 的核心思想、隐藏状态的作用，以及它在处理自然语言序列任务时的优势与挑战。
- Transformer 与自注意力机制：AI 领域的革命性突破 深入浅出地讲解 Transformer 架构的核心：自注意力机制（Self-Attention）及其运作方式。
- 用 C 从零实现 CIFAR-10 Tiny CNN：卷积、池化和反向传播 基于实际 cifar10_tiny_cnn.c 项目，讲解 CIFAR-10 数据格式、3x3 卷积、ReLU、最大池化、全连接层、softmax、反向传播和本地运行方式。
已公开资源
- Python AI 小实战代码说明 文章内包含可直接复制运行的 scikit-learn 分类脚本。
- digit_softmax_classifier.c 手写数字 softmax 分类器的 C 语言源码。
- train.csv.zip 手写数字训练集压缩包，包含 42000 条带标签样本。
- test.csv.zip 手写数字测试集压缩包，包含 28000 条待预测样本。
- sample_submission.csv 官方提交格式示例，可直接对照最终输出字段。
- submission.csv 当前 C 项目跑出的预测结果文件。
- digit-playground-model.json 浏览器实验台使用的轻量 softmax 演示模型与样本。
- digit-sample-grid.svg 从训练集中抽取的小型手写数字预览网格。
- 手写数字项目打包下载 包含源码、压缩数据、提交文件、浏览器模型和样本预览图。
- cifar10_tiny_cnn.c 源码 单文件 C 语言 tiny CNN，包含 CIFAR-10 读取、卷积、池化、softmax 和反向传播。
- model_weights.bin 样例权重 一次本地小样本运行生成的模型权重文件。
- test_predictions.csv 预测样例 CIFAR-10 tiny CNN 输出的测试预测样例。
- CNN 项目说明 PDF 配套 CNN 项目说明材料。
- 虚幻镜脱敏代码骨架 去除控制口令、真实节点和目标列表后的 mld_chaffing_v2.py 控制流程说明。
- 虚幻镜压力测试记录模板 用于记录 CPU、内存、线程峰值、微脉冲速率、延迟和错误数的脱敏 CSV 模板。
- 虚幻镜分类器评估模板 用于记录 TP、FN、FP、TN、accuracy、precision、recall、F1、ROC-AUC、熵和 JS 散度的 CSV 模板。
- 虚幻镜资源说明 说明公开资源为何只提供脱敏代码、测试模板和架构笔记。
- AI Security Lab 说明 说明 AI 安全攻防系列的安全边界、安装命令和 quick-run 实验。
- AI Security Lab 完整实验包 包含安全 toy scripts、结果 CSV、风险登记表、攻防矩阵和架构图。
- AI 安全风险登记表 面向 AI 威胁建模和上线评审的 CSV 风险登记模板。
- AI 攻防矩阵 把攻击面、toy demo、指标和防护控制映射到一张 CSV 表。
- AI Security Lab 架构图 展示威胁建模、鲁棒评估、数据完整性、模型隐私和 RAG 防护之间的关系。
- FGSM digits 鲁棒评估脚本 本地 digits 分类器的 FGSM-style 扰动和准确率下降实验。
- 数据投毒与后门 toy 脚本 用 digits 数据演示污染率、触发器和 attack success rate。
- 模型隐私与抽取 toy 脚本 输出 membership AUC、target accuracy、surrogate fidelity 和 surrogate accuracy。
- RAG prompt injection guard toy 脚本 用确定性 toy agent 演示外部数据降权和工具权限阻断。
- 深度学习专题分享图 用于分享深度学习 / CNN 专题页的 1200x630 SVG 图。
- 从零实现机器学习分享图 用于分享 K-means、Iris 和机器学习流程专题页的 1200x630 SVG 图。
- 学生 AI 项目分享图 用于分享手写数字、C 分类器和浏览器实验台专题页的 1200x630 SVG 图。
- CNN 卷积扫描动画 Remotion 生成的 8 秒短动画，展示 3x3 卷积核如何扫描输入并形成特征图。
当前学习路线
- 人工智能基础学习路线 学习路线节点
- 机器学习完整流程 学习路线节点
- 机器学习算法怎么选 学习路线节点
- 特征工程入门实战 学习路线节点
- 模型训练与评估入门 学习路线节点
- 过拟合和欠拟合怎么解决 学习路线节点
- 神经网络基础 学习路线节点
- Transformer 自注意力机制 学习路线节点
- LLM 可视化教学台 学习路线节点
- Python 人工智能小实战 学习路线节点
- 手写数字数据结构入门 学习路线节点
- 用 C 实现手写数字 Softmax 分类器 学习路线节点
- 手写数字实验台说明 学习路线节点
- CIFAR-10 Tiny CNN 教程 学习路线节点
- 高熵流量防御实验 学习路线节点
- AI 安全威胁建模 学习路线节点
- 对抗样本与鲁棒评估 学习路线节点
- 数据投毒与后门防御 学习路线节点
- 模型隐私与模型抽取防护 学习路线节点
- LLM/RAG/Agent 安全 学习路线节点
下一步计划
- 补充更多图像分类和误差分析案例
- 把常见指标整理成速查表
- 继续补充 AI 安全防御实验记录