单元 1
从列表到向量
理解样本、特征和标签如何在代码里表达。
1. 概念阅读
AI 实验的第一步不是模型，而是把现实问题整理成可计算的数据结构。这个章节会用最小样例说明特征、标签、样本和批量处理。
2. 动手练习
- 手写一个包含 x 和 y 的训练集
- 解释每一列特征代表什么
3. 验收标准
区分标量、向量和矩阵
能用 Python 构造小型数据集
学完后，用自己的话回答：这个概念解决了什么问题？它在实验里如何体现？
基础工具
Python 与数据处理
用 NumPy、列表推导和可视化思维建立 AI 实验所需的数据基础。
学习状态
进行中 35%
当前 mock 进度：35%
学习单元
单元 2
噪声与分布
认识实验数据为什么不会完美贴合公式。
1. 概念阅读
真实数据会包含测量误差、缺失值和随机波动。你会在实验里调整 noise，观察模型如何偏离理想直线。
2. 动手练习
- 运行线性回归 Demo 并调高 noise
- 记录 MSE 的变化
3. 验收标准
理解噪声对训练结果的影响
能描述过拟合风险
学完后，用自己的话回答：这个概念解决了什么问题？它在实验里如何体现？