目前已经整理并发布的 Sample 文章（持续更新中）

• 01. 同一需求，三种做法：一个AI小工具里的产品经理、工程师与架构师

  • 任务：用三种不同的方法，借助AI辅助，实现同一个需求
  • 目的：说明不同协作方式，适配不同角色与不同交付形态
• 02. 意图分类聊天机器人：用小网络把 AI 项目六阶段跑通
   
  • 任务： 文本多分类（greeting / busy / bye）+ 模板回复（非自由闲聊）
  • 技术： 词袋 BoW、One-Hot、Keras Dense、Softmax、置信度阈值、Badcase 飞轮与 Model V2

1. 为什么要写这一系列 Sample 文章？

这一系列例子都很简单，在专家大咖眼里不值一提，但却是我学习 AI 过程中真实做过的项目小练习。它们有一个共同特点：不炫技、不堆概念，只是踏踏实实地按“一个小项目”把事做完。

• 不是论文级项目，但每一个都从“为什么做”开始，而不是一上来就 import。
• 不是刷题式练习，而是尽量还原真实业务：有没有数据？数据长什么样？能不能跑通？效果够不够用？
• 不是追热点，而是围绕一些常见场景：欺诈检测、预测性维护、医学影像、爆文预测、健康监测、数据可视化等。

对刚入门或在转型路上的同学来说，很多时候不是缺“算法公式”，而是缺一个能照着走一遍的完整项目样板。写这些文章，就是想把自己走过的这条“小路”记录下来，哪怕对你只解决一个小疑惑，也值了。

---

2. 每个 Sample 背后，都是一次完整的“小项目”

在每篇 Sample 文章里，我都尽量按照一个工程化 AI 项目的 6 个阶段来组织内容；和第一系列相比，对6个阶段做了一个小的调整：

 

1. 需求定义

- 这个项目想解决什么问题？
- 使用它的人是谁？应用场景是什么？
- 判定「做得好」的标准是什么？
- 有哪些约束？

2. 数据工程 （原「数据获取 + 数据分析」合并）

- 数据从哪来？公开数据集、企业内部系统，还是模拟/标注生成？
- 文件形态是什么？CSV、Excel，还是图像、文本、PDF？如何组织（如 train/test/val、文件夹即标签）？
- 有没有质量问题（缺失、异常、标注噪声、列名不规范、类别不平衡）？
- 先看数据的「样子」和「秉性」：必要的统计与可视化，形成直觉后再上模型。
-  预处理与特征怎么做？清洗、归一化/编码、增强、划分训练/验证/测试；训练与推理的尺度、标签是否一致？

3. 算法建模 （原「模型构建」）

- 为什么选这个模型，而不是另一个（规则 / 经典 ML / 自建网络 / 迁移学习）？
- 特征或输入表示是怎么来的？业务含义驱动，还是「拍脑袋喂给模型」？
- 有没有做必要的标准化、拆分、类别权重/损失函数选择？训练策略与回调（早停、存最佳、降学习率）是否合理？

4. 评估验证 （原「效果评估」）

- 只看准确率够吗？欺诈、医学影像、健康监测等场景，召回率 / F1 / 混淆矩阵往往更重要。
- 模型不好，是数据问题、特征/标签问题，还是模型与参数问题？
- 用哪份数据下结论？验证集过小是否会误导？是否以测试集 / 盲测为准？是否优先使用验证集上的最佳模型？

5. 部署发布 （原「部署应用」）

- 至少做到：把最佳模型存起来 + 提供一个干净的预测函数（预处理与训练一致）。
- 更进一步：小脚本、简单 API、可视化界面或 Web Demo，让非训练人员也能用。
- 上线话术与边界是否清楚（置信度阈值、兜底、合规声明）？

6. 监控迭代（新增）

- 上线后如何观测效果？日志、准确率/置信度分布、Badcase 是否落盘？
- 用户或业务反馈如何收集（对/错、纠正标签）？谁来标注、如何去重？
- 反馈如何回流成可训练数据？何时再训练/热更新？默认审计还是自动重训？

做出这样的修改，结构和培训框架更匹配；原来6段停在部署，容易让人以为上线就结束；实际上还要日志、Badcase、反馈回流、再训练等，因此增加了“监控迭代”。

 同样，这些 Sample 刻意没有追求“高大上”，但努力做到：步骤完整

• 代码可跑
• 思路清晰
• 对“以后真做项目”有帮助

---

3. 这些 Sample 想解决哪些痛点？

如果你有下面这些感受，可能会在本系列里找到一点共鸣：

• “看了很多教程，都是一些零散的 API 示例，不像一个完整项目。”
• “理论课讲得很高级，到写代码的时候，却不知道从哪一步开始下手。”
• “网上的项目要么太简单像 Hello World，要么太复杂，一堆框架堆在一起。”

所以，写这系列文章的目标是：

• 用“工程师视角”重新整理这些案例，而不是“教科书视角”。
• 每篇文章尽量做到：
  • 先讲清楚：我们在解决什么问题；
  • 再一步一步走完：从环境准备到模型落地；
  • 中间遇到的坑、不合理的地方，也如实记录，而不是只给一个“完美结局”。

你可以把它们当成：

• 入门 / 转型阶段的**“工作日志 + 教学案例”**；
• 准备带学生/同事做项目时的参考蓝本；
• 自己以后写项目总结或技术文档的结构模板。

如果这些记录，哪怕只帮你理清了一个环节的思路、解决了一个小错误，或者让你觉得“原来别人也是这么一步一步摸索过来”，对我来说就是非常大的鼓励。

4. 如何参与、提问和共建？

如果你：

• 想看某个具体场景的示例（比如推荐系统、NLP 文本分类、时间序列预测等）；
• 对某个知识点有困惑（比如“为什么要标准化”、“如何选择评估指标”、“如何把 Notebook 变成真正能用的脚本/服务”）；
• 或者在运行这些 Sample 时踩到了坑、报了错；

欢迎在 CSDN 的评论区留言，告诉我：

• 你目前在学什么、遇到什么卡点；
• 你更希望看到哪一类项目案例；
• 哪篇文章里，有哪些地方还可以讲得更清楚。

我会尽量：

• 根据大家的反馈，补充更多有代表性的 Sample；
• 把常见问题整理成单独的小贴；
• 持续把这些“零散的小项目”，打磨成一套对实战有帮助的 AI 学习路径。

---

感谢你愿意花时间看完这篇“序”。后面的每一篇 Sample 文章，都欢迎你来挑毛病、提建议、一起打磨。