报名咨询可确认单独参加方式和具体安排。
课程定位
一组数据做出的模型,在课堂演示中表现不错,换几份样例却经常判断失误。这个专题把学习点放在训练后的初步检查、原型怎么接入任务和错误如何追踪,让同学把一次演示看作可检验的设计尝试。
课程内容与学习重点
一、给原型明确任务
从一个可描述的校园场景入手,写下用户希望完成的任务,明确原型可接收的信息、想给出的结果,以及哪些情形需要人复核。题目过大时,可以先把问题缩到某一类输入或某一个操作步骤,让一次初步测试有清晰的观察范围。
可以用公开、清除个人信息的教材样本试着构建任务。例如将校园活动的公开介绍按用途分组时,先说明临时调整和同一活动横跨两个类别的处理方法,并交代原型判定和人工复核如何衔接。
二、比较不同样例的表现
学习样例与检查样例应该分别记录。第一轮试用可同时包含常见、边界和容易发生误解的材料,比较原型在不同情况下给出的结果。发现错误时,分析现有标签解释是否一致、样例是否过于集中、输出是否省略人工所需的信息,然后才讨论是否值得调优。
当两个小组对同一段公开介绍给出不同类别,不急于评判谁更准确。先互相读出自己的判断依据,观察分歧是否来自任务定义,随后只修改一条判定标准,再用原来的样本回看差别。
三、把训练过程写进原型说明
原型说明既要介绍它能处理的场景,也应让使用者看到限制。可以记录观察样本、版本、错误类别及下一轮待核问题,让后来的同学知道如何重复这次比较。课堂成果展示时,可同时说出一项工作得好的地方、一类尚未覆盖的情况,以及今后需要补充的证据。
不妨给小组做一张试用记录,把预想的答案与实际输出放在对照位置。展示时,请同伴提供一条新的公开材料,先预测原型会怎样处理,再讲解为什么新增这类材料有助于发现边界。
课前可以选择一个能用公开材料讨论的校园任务,准备三条相似样例与一条反例。课后可从约定的错误类型中选一项重做比较,说明本次调整是否使判断更易理解,并保留原始版本以便回看。
适合人群
适合关注人工智能、计算机和校园创新实践的中学生。已经有过编程经历的同学可以尝试更准确地表达测试结论;刚接触的同学可以承担记录样例和隐私核对的角色,从完整工作过程理解模型应用。
开课与报名咨询
原研学项目于2027年1月24—30日在上海开展,拟定课表将模型训练与应用原型开发列为第四天下午,即1月27日。这是整期研学中的一段实践。实际时间、设备安排、是否允许单独参加及费用可咨询当期工作人员。
能带本校学生的真实数据吗?可用公开样例、编造的课堂演示样本或经合规授权的材料。带有人脸、联系方式或其他个人信息的文件不适合作为课堂随意交流的演示材料。
课程会做完整可上线的产品吗?这个主题主要用学习原型理解模型、数据和使用场景的联系。课上完成哪些环节、是否要求已有开发经验、配套采用何种工具,请按当期计划确认。
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。
课程咨询:400-061-6586,咨询微信:pxbbaoming。

