9.18

一、 上午：数据库原理概述与跆拳道的“基本功”
上午的数据库原理课，老师为我们讲解了数据库的概述知识。结合之前的工业软件展示，我现在越来越能理解，数据库绝不仅仅是“存数据的地方”，它是现代软件系统中保障数据一致性、安全性和可用性的地基。无论是桥梁测试系统还是小型企业的出账入账系统，底层的核心逻辑都离不开数据库的支撑。

到了体育课，我选的是跆拳道。今天了解了跆拳道的基本知识，学习了正踢腿和相关的准备动作。虽然只是基础动作，但一次次练习正踢腿，体会发力点和身体平衡的过程，让我联想到了编程。
无论是跆拳道的踢腿，还是写代码、学数学，基本功都是最重要的。 动作不标准，后面就无法进行高难度组合；同理，数据预处理没做好，后面的机器学习模型就不可能准确。

二、 下午：中华民族共同体概论与AI数学基础
下午的中华民族共同体概论课，老师进行了基础知识的铺垫。虽然作为工科生，这类课程看似与代码无关，但它带给我们的宏观视野、大局观以及思考问题的多维角度，对我们未来设计复杂软件系统、理解用户社会需求同样大有裨益。

但今天真正让我“烧脑”并大呼过瘾的，是下午的人工智能数学基础课。老师在课件上展示的内容，堪称机器学习入门的一站式框架。我结合课件和自己的思考，把它系统地梳理出来：

1. 监督学习与分类任务
   课程从“计算机判断西瓜是否好瓜”的案例切入。我们了解了数据集、样本、属性/特征、特征值、标签这些核心概念。监督学习（Supervised Learning）是指我们拥有带有标签的数据（比如“好瓜”或“坏瓜”），常用的任务包括分类（带有离散分类标签，如垃圾邮件分类、肿瘤良性/恶性判断）和回归。常见的分类算法包括逻辑回归、支持向量机（SVM）、决策树、随机森林、朴素贝叶斯和神经网络等。

2. 数据规范化与离散化（核心预处理）
   课件非常详细地讲解了数据变换的方法。由于不同特征的单位量级差异很大，必须消除量纲影响。

数据规范化：

Min-Max规范化：公式为 x' = (x - min) / (max - min)。它把特征线性缩放到 [0,1] 范围。适合特征有明确上下界的情况，保留原始分布形状，但缺点是受异常值影响大，新极值会改变缩放结果。

Z-score标准化：公式为 z = (x - μ) / σ。转化为均值为0、标准差为1的尺度。它适合近似正态分布的数据，含义清晰（离平均多少标准差），常用于逻辑回归、SVM、KNN等算法。

小数定标规范化：公式为 x' = x / 10^j。通过移动小数点位置缩放数据，计算简单、速度快，适合作为快速处理方案。

数据离散化：

等宽离散化：公式 区间宽度 = (max - min) / K。实现简单，但如果数据分布不均匀，某些区间的样本会过多或过少。

等频离散化：按频率划分区间，每个区间包含相近数量的数据点。样本数量均衡，但区间宽度可能不自然，边界解释性弱。

基于聚类与决策树的离散化：K-means算法能根据数据分布自动划分（计算复杂度高）；决策树利用连续变量切分形成可解释区间（依赖标签，可能过拟合）。

课堂判断：离散化并非总是提升性能！当需要高可解释性时更常用，连续模型则未必需要。

3. 特征选择与特征提取
   课件特别提醒，维度过高会带来稀疏、过拟合、计算成本和解释性问题。

特征选择：从原始特征集中选出最有代表性的子集，保留原始特征含义，即“挑出原特征”。

特征提取：通过变换或映射构造新的特征空间，减少维度并保留主要信息，例如主成分分析（PCA），即“变换出新特征”。

4. 文本特征提取：从词袋模型到Word2Vec
   词袋模型（Bag of Words）：将文本看作词语的集合，忽略语法和语序，只关注词频。就像把所有词放进一个“袋子”，统计出现次数。

TF-IDF模型：用于评估一个字词对某份文档的重要程度。词频（TF）越高，逆文档频率（IDF）越大，说明该词区分能力强。

课堂剖析的局限：TF-IDF主要统计出现情况，并不真正理解语义和上下文。例如“苹果很好吃”和“苹果公司发布新手机”中的“苹果”，TF-IDF看到的可能是同一个词，但实际上一个指水果，一个指公司。

Word2Vec：包含两个经典模型——CBOW（通过上下文预测目标单词）和Skip-gram（通过目标单词预测上下文），可以将单词映射到低维向量空间（如 [0.12, 0.34, ...]）。

n-gram：基于马尔可夫假设，当前词只与前面 n-1 个词有关。用来估计一个词序列出现的概率。

5. 图像特征提取
   要想让计算机“理解”图像，就需要提取有用的数据或信息。

颜色特征：描述表面性质（颜色直方图、RGB/HSV统计）。

纹理特征：描述表面纹理（粗糙度、重复模式、LBP/GLCM/Gabor）。

形状特征：描述外形边界（边缘、轮廓、角点/区域矩）。

空间关系特征：描述位置关系（邻接、包含、距离/相对位置）。

完整流程：原始图像像素矩阵 -> 预处理（缩放、去噪、灰度化/归一化） -> 特征提取 -> 特征向量 -> 模型学习（分类/检测/识别） -> 输出结果（如：Dog）。

工程提醒：特征提取不是越多越好，要同时考虑区分性、稳定性、冗余度和计算成本。

6. 经验误差与过拟合（最重要的反思）
   机器学习的目标是让模型很好地适用于“新样本”，这种能力叫泛化能力。但我们在训练过程中往往会遇到“过拟合”。

我们通过错误率 E = a/m 来评估。误差分为训练误差、测试误差和泛化误差。

什么是过拟合和欠拟合？ 老师用了一个非常直观的类比：训练样本都是带有锯齿的树叶。

过拟合模型看到一片没有锯齿的树叶，会分类为“不是树叶”（误以为树叶必须有锯齿）。

欠拟合模型看到一棵绿色的树，会分类为“是树叶”（误以为绿色的都是树叶）。

过拟合的常见成因：模型复杂度过高、参数过多；训练时间过长，追逐了噪声；样本量小、特征维度高；标签噪声或异常值多；数据泄露。

常见的缓解手段：L1/L2正则化、剪枝、Dropout；早停（Early Stopping）；增加数据或数据增强；降维、特征选择、简化模型；严格隔离训练/验证/测试流程。

课堂辨析：

现象A：训练准确率65%，测试63% -> 两者都低，首先怀疑欠拟合。

现象B：训练99%，测试76% -> 差距很大，典型过拟合。

现象C：都在持续改善，差距稳定 -> 继续训练可能仍有收益。

现象D：测试先升后降，训练持续上升 -> 可在验证最优点早停。

判断关键：不要只看单个误差值，而要同时看训练误差、测试误差及其随训练过程的变化。

三、 今日反思与总结
今天的信息量非常大，但我感到非常充实。无论是上午的跆拳道正踢腿、数据库原理，还是下午的中华民族共同体概论，以及这堂干货满满的AI数学基础课，其实都在传递一个核心逻辑：万丈高楼平地起。

机器学习模型的准确率，不取决于花哨的算法，而取决于数据预处理（规范化、离散化）、特征提取（文本、图像）这些最基础、最耗时的环节。同样，我们的学习也是一个不断“调参”和“防止过拟合”的过程。不能死记硬背（过拟合），也不能浅尝辄止（欠拟合），要掌握背后的规律，具备泛化能力。

晚上背单词的时候，我脑海里还在回想着今天课堂上讲到的“特征提取”。也许我们背单词，也是在为大脑提取“文本特征”，让自己能更好地理解这个世界。