人工智能

AI 目录建议聚焦‘可检验的学习系统’：任务定义、数据、模型、训练、评估与失效分析。不要只记模型名。

这里关注什么

• 监督/自监督/强化学习的基本设定与差异
• 表示学习：特征、表征瓶颈、归纳偏置与泛化
• 优化与训练：损失、正则、学习率、稳定性与可复现性
• 评估与鲁棒性：分布外、对抗、偏差、公平与可解释性（概念层）

本目录建议沉淀的内容

• 任务卡：目标函数/评价指标/数据分布/失败模式
• 模型族对照：CNN/Transformer/图网络等‘适用任务与代价’
• 实验记录模板：数据版本、随机种子、超参、算力与结果表

写作/学习提示（针对本主题）

• 每次训练：记录 baseline 与 ablation（哪一项真正起作用）
• 写结果时：分清‘平均性能’与‘最差情况’，并记录样本效率
• 遇到失败：先查数据与评估协议，再查模型结构（常见顺序）