AI 入门项目课：3节课玩转KNN & CNN2025

这门课的门槛不高，但也不打算让你「三节课变成算法工程师」。它更像是给两类人准备的：一类是简历上写着「了解机器学习」、真被问起 KNN 的 k 怎么选却答不上来的；另一类是跑过别人的 demo，但没自己从零写过一遍训练代码的。如果你属于这两种，往下看。

先说清楚它补的是哪块缺口

KNN 和 CNN 是机器学习入门里最常被拿来当「练手样本」的两个模型，也是最容易被学得含糊的两个。KNN 看着简单——找最近的 k 个邻居投票，但真动手时会撞上一堆具体问题：距离怎么度量、k 取多少、样本量大了怎么算得动、特征不归一化会怎样。CNN 则相反，概念听着唬人，卷积、池化、通道、步长，名词一多就容易只记住形状记不住作用。

这门课用两个手写数字识别的实战项目把这两块串起来：一个用 SKlearn 写 KNN，一个用 TensorFlow 搭 CNN。同一个任务、两种解法，正好能对比出「传统机器学习」和「深度学习」在数据处理、模型构建、调参思路上到底差在哪。这个对比本身，比单独学会任何一个模型都值钱。

三节课各自在干什么

第一节：KNN 与 SKlearn 实战

从算法本身讲起，落到 SKlearn 的接口上，最后完成一个手写输入识别项目。重点不在「调包」，而在你能否解释清楚：为什么这里要做归一化、k 值变化时准确率怎么动、训练集和测试集是怎么切的。这些是面试里最常追问的细节，也是自己写代码时最容易踩的坑。

第二节：CNN 与 TensorFlow 实战

卷积神经网络的结构讲完就直接上手 TensorFlow，搭一个 CNN 完成同样的手写识别任务。这一节要盯住的是：卷积层到底在提取什么、池化丢了什么信息、为什么 CNN 在图像上比全连接强。写完之后你应该能自己回答「把卷积核从 3×3 改成 5×5 会怎样」这类问题，而不是只会说「效果可能变好或变差」。

第三节：从手写数字到猫狗识别

把任务换成识别猫狗，数据集更难、图像更复杂、类别更少但特征更杂。这一步的意义在于让你意识到：手写数字上跑通不代表会做真实图像任务，数据增强、过拟合、训练轮数这些之前没暴露的问题会一起冒出来。同时这一节也谈了 MLE 方向的职业路径和技能提升方向，包括哪些坑值得提前避开。

配套练习与看完应能回答的问题

课程配套的是两个可运行的 coding 项目，建议不要只看，一定跟着敲一遍，然后自己改参数重跑：KNN 那边试着改 k 值和距离度量，CNN 那边试着加减一层卷积、换优化器。改完对比结果，比看十遍讲解都管用。

学完这三节，你至少应该能脱口而出回答这些问题：

• KNN 里的 k 取大取小分别会带来什么问题？为什么需要交叉验证来选？
• 特征不做归一化时，KNN 的距离计算会出什么偏差？
• 卷积层和池化层各自解决什么问题？为什么图像任务上 CNN 通常优于全连接网络？
• SKlearn 和 TensorFlow 在建模流程上的差别体现在哪几个环节？
• 手写数字识别跑得通，换成猫狗识别时最可能先崩在哪一步？

如果这些问题你现在答得含糊，那这三节课就是给你准备的。如果大部分能答上来，说明你缺的不是入门课，而是更具体的方向——那可以跳过，别浪费时间。

学之前需要准备什么

Python 基础要够用，至少能看懂函数、列表和 numpy 的基本操作；对「训练集/测试集」「损失函数」这类词有模糊印象就行，课程里会重新捋一遍。环境上需要装好 SKlearn 和 TensorFlow，装环境本身可能比写代码还费时间，建议提前弄完再开始第一节，别在配置上耗掉学习的兴致。