课程定位

深度学习模型能从大量样本学习规律，但样本数量、标签质量和训练方法的一点变化，就可能使模型在新数据上的表现不同。课程以神经网络与深度学习为主题，从容易观察的分类例子理解数据如何进入模型、误差怎样形成，以及团队应当怎样回看结果。学习重点适合希望理解智能产品训练环节、与开发同事讨论模型效果或继续进阶学习的人员。

课程内容与学习重点

一、认识样本穿过网络时发生什么

以类别明确的小样本为例，先写出数据字段、类别含义和模型要做的判断。画出输入、隐藏层和输出之间的关系，观察权重与激活如何改变各特征在输出中的作用。讨论模型已有的数据条件，使分类可能出现哪些区分。

从两个看似相近样本出发，对照模型输出和标签含义，找出需要关注的类别错配。把一个判断问题拆成数据准备、模型处理和输出评价三个任务，确认每一环节处理的是不是同一个问题。检查重复记录和标签定义模糊会带来什么影响。

二、理解损失变化和训练记录

通过图示或小例子观察模型预测和预期标签的差距。反向传播、梯度和参数更新可以放到一张过程图上，理解训练轮次、批次大小与学习率会怎样改变曲线。用前后两轮对照了解选择参数的理由，在记录表留下改动项。

对比训练结果和验证结果，留意训练误差下降但验证结果变差的情况。讨论数据量、模型大小和样本分布等可能因素，验证的时候一次只改变能单独说明的一项条件。若指标波动明显，核对随机划分或某个类别样本特别少等情形。

三、用误差样例决定下一步

从验证结果挑几条错分样本，按类别、来源与未见特征整理。数字好看时也要查看漏掉的是哪些样本。如模型在常见数据表现稳定，仍可把长期少见的类别单独列出观察，以免平均分掩盖实际使用的难点。

最后写一份训练简报，清楚列出样本范围、使用的指标、主要异常和下一步计划。先解释模型在当前条件能否解决预定任务，再提出改善标签、补数据或更改设置的尝试。约定结果如何回查，便于别的学习者使用同一材料重新比较。

可带来一份无需保密的公开小数据或一个分类问题，把标签和输入字段写在纸上。课堂练习用几种观察结果讨论如何改善模型及如何向业务同事解释变化。

适合人群

适合数据和软件岗位初学者、算法项目助理、技术产品与业务数字化团队，也适合有基础编程能力并准备系统学习神经网络的人员。

开课与报名咨询

原开课通知所列时间为2026年11月28—29日，上课地点详询。单独参加方式、席位和费用详询。

完全没有模型训练经验能学吗？可先复习数据表、分类、平均误差与简单图表。准备工作可先围绕理解样本和指标。

训练表现好是否能直接投入使用？需看独立验证和实际数据上的表现，尤其注意实际场景中出现但训练覆盖较少的样本。

温馨提示：课程内容为拟定，具体实际讲授内容由授课老师根据学员情况灵活调整，最终以课堂授课为准。