Python 与 AI 入门：先会问题建模，再谈模型

你现在可能会困惑什么

“AI 太难，我是不是要先学很多数学？”

入门阶段先学“输入-处理-输出”建模，先把问题表达清楚。

一句话定义

AI 入门是把现实问题转成可执行流程，再逐步从规则升级到模型。

生活类比

点奶茶流程：输入需求 -> 规则处理 -> 输出结果。

最小可运行例子

text = "learn python for data analysis"
label = "Data" if "data" in text else "General"
print(label)

课堂小测（5 分钟）

1. 扩展到 3 类文本分类。
2. 统计每类命中次数。
3. 输出分类报告。

课堂小测参考答案与判分点

• 参考答案方向：能写出可运行代码，并覆盖题目中的核心条件与边界输入。
• 判分点 1（正确性）：主流程结果正确，关键分支可执行。
• 判分点 2（可读性）：变量命名清晰，结构不过度嵌套。
• 判分点 3（健壮性）：对空值、类型错误或异常输入有基础保护。

迁移任务（课后）

实现“学习方向推荐器”v1（规则版本）。

本节验收标准

你能独立做到：

• 用输入/处理/输出描述 AI 任务
• 写最小规则分类器
• 解释规则方案与模型方案差异

常见报错与调试步骤（新手版）

• 报错看不懂：先读最后一行错误类型（如 TypeError、NameError），再回到对应代码行定位。
• 不确定变量值：在关键位置临时 print(变量, type(变量))，先确认数据是否符合预期。
• 改了代码却没生效：确认文件已保存、运行的是当前文件、终端环境（venv）是否正确。

常见误区

• 误区：一上来就追 SOTA 模型。
• 正解：先建模能力，再进阶模型。