feat: 初始化课程仓库 - 走进AI，让AI告诉我未来职业
This commit is contained in:
amylier
parent
ad9e148868
commit
76fcea5da3
66
README.md
66
README.md
|
|
@ -1,2 +1,66 @@
|
|||
# AI-Tell-My-Future-Career
|
||||
# 走进AI，让AI告诉我未来职业
|
||||
|
||||
## 1. 课程概述
|
||||
|
||||
本课程基于南开大学赵宏老师《人工智能与创新》课程探索4，以"AI职业预测"为项目主线，带领学习者从零开始，体验从**数据准备 → 模型训练 → 应用构建**的完整机器学习流程。
|
||||
|
||||
你将跟随一名大学生的视角，从对未来的迷茫与好奇出发，通过与AI的持续对话和动手实践，逐步理解AI职业预测的工作原理，并亲手构建一个能从数据中学习并预测职业倾向的AI系统。
|
||||
|
||||
## 2. 学习目标
|
||||
|
||||
通过本课程，您将：
|
||||
1. **理解AI预测的本质**——数据驱动的经验归纳与模式匹配，而非神秘"玄学"
|
||||
2. **掌握与AI协作的方法**——将模糊的问题转化为清晰、可执行的技术指令
|
||||
3. **体验完整的机器学习流程**——从数据准备、模型训练到应用部署
|
||||
4. **亲手构建一个AI应用**——从零实现"职业倾向预测系统"
|
||||
|
||||
## 3. 适合的学习者
|
||||
|
||||
- 零编程基础的高校学生，对AI充满好奇
|
||||
- 希望了解机器学习入门流程的初学者
|
||||
- 想体验"以用促学"实践式学习方法的自学者
|
||||
|
||||
## 4. 课程结构
|
||||
|
||||
| 章节 | 章节名称 | 主要内容 | 学习目标 |
|
||||
|:----:|----------|----------|----------|
|
||||
| 1 | [激发——提出感兴趣的话题](docs/chapter1.md) | 观察AI职业预测现象，提出核心问题，理解探索路径 | 建立对AI职业预测的直观认知，明确学习目标 |
|
||||
| 2 | [探索——发现问题本质](docs/chapter2.md) | 理解AI预测原理（数据驱动+模式匹配），拆解为数据准备、规律分析、应用设计三个层面 | 掌握将复杂问题分解为可执行步骤的思维方式 |
|
||||
| 3 | [拓展——学习知识与技能](docs/chapter3.md) | 数据准备→生成模拟数据；规律分析→训练随机森林模型；应用开发→构建交互程序 | 掌握数据生成、模型训练、应用开发的基础实践 |
|
||||
| 4 | [执行——动手解决问题](docs/chapter4.md) | 从社团推荐升级到职业预测，生成1500条职业数据，构建完整交互式预测系统 | 独立完成从数据到模型的完整AI应用构建 |
|
||||
| 5 | [评价——反思与总结](docs/chapter5.md) | 评估模型效果，反思AI边界，总结"从问题到系统"的构建思维 | 形成可迁移的AI协作思维模式 |
|
||||
|
||||
## 5. 实操演练
|
||||
|
||||
本课程秉持 **"做中学（Learning by Doing）"** 原则，实践环节贯穿全课程。学习者将跟随课程进度，逐步构建自己的职业预测系统：
|
||||
|
||||
- **第3章**：生成模拟社团推荐数据 → 训练分类模型 → 构建命令行交互程序
|
||||
- **第4章**：生成1500条职业预测数据 → 训练随机森林模型 → 构建完整职业预测系统
|
||||
- **第5章**：评估模型性能，反思AI工具的边界
|
||||
|
||||
## 6. 课程打卡指引
|
||||
|
||||
本项目采用 **Issue 评论打卡** 方式。完成每章任务后，在对应 Issue 下提交您的学习成果。
|
||||
|
||||
| 任务 | 名称 | 说明 |
|
||||
|:----:|------|------|
|
||||
| 任务1 | 📖 第1章学习打卡 | 提出你对AI职业预测的3个问题 |
|
||||
| 任务2 | 📖 第2章学习打卡 | 用自己的话复述AI预测的核心原理 |
|
||||
| 任务3 | 📖 第3章学习打卡 | 提交你生成的社团推荐数据及模型训练结果 |
|
||||
| 任务4 | 📖 第4章学习打卡 | 提交你的职业预测系统运行截图 |
|
||||
| 任务5 | 📖 第5章学习打卡 | 分享你的学习反思与收获 |
|
||||
|
||||
## 7. 共创与贡献
|
||||
|
||||
欢迎所有学习者参与贡献！
|
||||
|
||||
**贡献方式**：
|
||||
- 提交 Issue 反馈问题或建议
|
||||
- 提交 Pull Request 完善内容
|
||||
- 分享您的学习经验
|
||||
|
||||
## 8. 许可说明
|
||||
|
||||
本课程暂无指定许可证。课程创建者可后续添加 LICENSE 文件。
|
||||
|
||||
**推荐许可证选项**：MIT / Apache 2.0 / CC BY-SA 4.0 / MulanPSL-2.0
|
||||
|
|
|
|||
|
|
@ -0,0 +1,31 @@
|
|||
# 第1章：激发——提出感兴趣的话题
|
||||
|
||||
## 1.1 你是否有过这样的迷茫？
|
||||
|
||||
作为一名大学生，我对未来充满期待，却也时常感到迷茫。面对纷繁复杂的专业方向和职业选择，我不知道自己真正适合什么。
|
||||
|
||||
> "未来的职业世界将越来越个性化，AI可以帮助你发现潜在的职业倾向。"
|
||||
> —— 生涯规划讲座老师
|
||||
|
||||
这句话让我产生了强烈的好奇。AI是怎么做到的？它真的能"认识"我吗？
|
||||
|
||||
## 1.2 我的疑问
|
||||
|
||||
带着对AI职业预测的好奇，我提出了几个核心问题：
|
||||
|
||||
- **AI是怎么"认识"我的？** 它如何理解一个人的能力、兴趣和特质？
|
||||
- **AI是怎么"做比较"的？** 它如何将我与成千上万的职业案例进行匹配？
|
||||
- **AI为什么能"预测"？** 它的预测依据是什么，背后的逻辑是什么？
|
||||
- **AI的预测准吗？** 我能否信任一个AI给我的职业建议？
|
||||
|
||||
## 1.3 探索目标
|
||||
|
||||
如果我想理解甚至尝试自己构建一个简单的AI职业预测工具，我该从哪里开始思考？它的核心工作原理到底是什么？
|
||||
|
||||
带着这些问题，我决定开启一段探索之旅。
|
||||
|
||||
## 1.4 本章思考题
|
||||
|
||||
1. 你对AI职业预测有什么看法？你相信AI能帮你找到适合的职业吗？
|
||||
2. 除了职业预测，你还见过哪些AI应用的例子？它们是怎么工作的？
|
||||
3. 如果你要设计一个AI系统来预测职业，你觉得需要哪些信息？
|
||||
|
|
@ -0,0 +1,56 @@
|
|||
# 第2章：探索——发现问题本质
|
||||
|
||||
## 2.1 向AI寻求引导
|
||||
|
||||
面对"AI如何预测职业"这个既令人兴奋又充满未知的问题，我一时感到无从下手。我决定向AI寻求专业的引导。
|
||||
|
||||
**我的提问：**
|
||||
> 你是一位资深的人工智能教育专家，擅长用生活化的类比为初学者解释复杂概念。我需要理解"AI进行职业预测"这个问题的本质。请暂时不要使用任何专业术语，帮我理解一个非人类的系统是如何完成"职业推荐"这项任务的。
|
||||
|
||||
## 2.2 AI的回答：虚拟职业导师
|
||||
|
||||
DeepSeek的回答让我豁然开朗——我们可以将AI职业预测系统想象成一个**"虚拟职业导师"**，它通过三步完成预测：
|
||||
|
||||
### 第1步：倾听你的个人画像
|
||||
通过你的自我描述，获取你当前在各项能力、兴趣和特质上的情况。
|
||||
|
||||
### 第2步：启动高效的模式匹配
|
||||
在"经验数据库"中，快速找出历史上与你当前个人画像高度相似的那些"学长学姐"群体。
|
||||
|
||||
### 第3步：提供统计参考建议
|
||||
分析相似群体的职业分布，基于庞大的案例库给出数据驱动的趋势参考。
|
||||
|
||||
## 2.3 我的理解
|
||||
|
||||
经过思考，我理解了AI预测职业的本质：
|
||||
|
||||
1. **并非神秘"玄学"**，而是数据驱动的经验归纳与模式匹配
|
||||
2. 它将抽象的职业规划问题，转化成了一个可以用**"海量案例"**和**"模式比对"**来解决的工程问题
|
||||
|
||||
## 2.4 关键问题浮现
|
||||
|
||||
理解原理后，我发现了三个需要解决的关键问题：
|
||||
|
||||
1. **如何获取"个人画像"？** —— 如何将人的抽象特征转化为计算机能处理的"数字语言"
|
||||
2. **如何建立"案例库"？** —— 如何获取并组织高质量的"职业案例库"
|
||||
3. **如何进行"模式匹配"？** —— 如何让计算机从数据中自动发现规律
|
||||
|
||||
## 2.5 构建系统的三层面框架
|
||||
|
||||
通过与AI的深入对话，我梳理出了从零构建职业预测系统的完整框架：
|
||||
|
||||
### 层面一：数据准备
|
||||
- 如何获取并组织高质量的"职业案例库"？
|
||||
- 如何将人的抽象特征转化为计算机能处理的"数字语言"？
|
||||
|
||||
### 层面二：规律分析
|
||||
- 如何让计算机从数据中自动发现"什么样的人适合什么职业"的规律？
|
||||
|
||||
### 层面三：应用设计
|
||||
- 如何让用户方便地输入信息，并让系统清晰、友好地输出建议？
|
||||
|
||||
## 2.6 本章思考题
|
||||
|
||||
1. 用你自己的话，向一个朋友解释AI职业预测是怎么工作的
|
||||
2. "数据驱动"和"规则驱动"有什么区别？你觉得哪个更智能？
|
||||
3. 你能想到生活中还有哪些问题可以用"数据+模式匹配"的方式来解决？
|
||||
|
|
@ -0,0 +1,226 @@
|
|||
# 第3章：拓展——学习知识与技能
|
||||
|
||||
## 3.1 数据准备 —— 从零开始生成模拟数据
|
||||
|
||||
### 3.1.1 数据从哪里来？
|
||||
|
||||
我需要为"AI职业预测系统"准备数据——一个结构化表格，包含多个特征（如各种能力分数、兴趣分数）和一个职业标签。但目前我没有现成的数据。
|
||||
|
||||
经过与AI的讨论，我了解到有三种可行的方案：
|
||||
|
||||
| 方案 | 特点 | 优点 | 缺点 |
|
||||
|:----:|------|------|------|
|
||||
| ① 公开数据集 | 数据真实，可直接使用 | 权威可靠 | 需学习数据预处理，不一定贴合需求 |
|
||||
| ② 自行调查收集 | 数据贴合研究目标 | 真实可控 | 耗时耗力，样本量有限 |
|
||||
| ③ 编程生成模拟数据 | 快速生成大量数据 | 学习曲线平缓，可立即实践 | 数据是模拟的，非真实 |
|
||||
|
||||
**推荐方案：编程生成模拟数据** —— 学习曲线最平缓，概念理解最深刻，可立即实践。
|
||||
|
||||
### 3.1.2 与AI高效协作的技巧
|
||||
|
||||
与AI的有效协作，关键在于将模糊的想法转化为具体、清晰、可执行的技术指令。一个有效的生成数据需求描述通常包括以下要素：
|
||||
|
||||
| 要素 | 说明 | 示例 |
|
||||
|------|------|------|
|
||||
| **任务目标** | 我要用这段代码完成什么？ | 生成一份用于职业预测的模拟数据集 |
|
||||
| **数据规格** | 数据需要多少条？有哪些特征？ | 1000条数据，5个特征，0-100的整数 |
|
||||
| **生成逻辑** | 数据间的内在规则是什么？ | "技术研发"标签的人，逻辑能力应较高 |
|
||||
| **输出要求** | 最后需要看到什么结果？ | 显示数据概览，保存为.csv文件 |
|
||||
|
||||
### 3.1.3 准备运行环境
|
||||
|
||||
对于初学者，推荐使用 **Miniconda + Jupyter Notebook** 的组合：
|
||||
|
||||
**安装步骤：**
|
||||
```bash
|
||||
# 第1步：安装Miniconda（官网下载安装包）
|
||||
# 第2步：创建专用环境
|
||||
conda create -n py_learn python=3.11
|
||||
conda activate py_learn
|
||||
|
||||
# 第3步：安装Jupyter Notebook
|
||||
pip install jupyter
|
||||
|
||||
# 第4步：安装项目所需库
|
||||
pip install pandas scikit-learn joblib
|
||||
```
|
||||
|
||||
**启动Jupyter Notebook：**
|
||||
```bash
|
||||
conda activate py_learn
|
||||
jupyter notebook
|
||||
```
|
||||
|
||||
### 3.1.4 实践：生成"社团推荐"模拟数据
|
||||
|
||||
**需求描述：**
|
||||
> 请帮我编写一个Python程序，生成模拟的"学生-社团匹配"数据集。
|
||||
> - 数据量：500条
|
||||
> - 特征：logic_score, art_score, social_score（均为0-100整数）
|
||||
> - 标签：辩论社、舞蹈团、志愿者协会
|
||||
> - 生成规则：根据常识设定（如逻辑能力突出者更可能属于辩论社）
|
||||
> - 输出：打印数据基本信息，保存为club_data.csv
|
||||
|
||||
**AI生成的代码核心逻辑：**
|
||||
```python
|
||||
import numpy as np
|
||||
import pandas as pd
|
||||
|
||||
# 1. 定义数据规模
|
||||
n_samples = 500
|
||||
|
||||
# 2. 生成三项能力分数
|
||||
logic_scores = np.random.randint(30, 95, n_samples)
|
||||
art_scores = np.random.randint(25, 90, n_samples)
|
||||
social_scores = np.random.randint(40, 98, n_samples)
|
||||
|
||||
# 3. 基于能力分数分配社团（有规律但加入随机噪声）
|
||||
# 4. 创建DataFrame并保存为CSV
|
||||
df.to_csv('club_data.csv', index=False, encoding='utf-8-sig')
|
||||
```
|
||||
|
||||
**运行结果示例：**
|
||||
```
|
||||
正在生成500条社团推荐数据...
|
||||
数据生成完成！共500条记录
|
||||
社团分布：
|
||||
辩论社 240
|
||||
舞蹈团 186
|
||||
志愿者协会 74
|
||||
数据已保存为club_data.csv
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 3.2 规律分析 —— 训练机器学习模型
|
||||
|
||||
### 3.2.1 计算机如何学习？
|
||||
|
||||
人类专家和计算机的学习过程其实非常相似：
|
||||
|
||||
| 人类专家的成长路径 | 计算机的学习过程 |
|
||||
|-------------------|-----------------|
|
||||
| ① 观察案例：看大量成功人士的成长轨迹 | ① 输入数据：给它大量"人物特征-职业方向"的配对数据 |
|
||||
| ② 寻找模式：注意到"逻辑能力强的人多成为工程师" | ② 寻找统计模式：用数学方法找出特征与职业之间的统计关联 |
|
||||
| ③ 总结规则：形成"如果A且B，那么可能是C"的判断规则 | ③ 建立预测规则：形成一套"决策规则集"（称为"模型"） |
|
||||
| ④ 实践验证：用新人的信息做预测，看是否准确 | ④ 验证与优化：用新数据测试规则准确性，不断改进 |
|
||||
|
||||
### 3.2.2 完整的机器学习流程
|
||||
|
||||
从数据到模型的六个关键步骤：
|
||||
|
||||
```
|
||||
① 数据准备 → ② 选择算法 → ③ 划分数据 → ④ 训练模型 → ⑤ 评估模型 → ⑥ 应用模型
|
||||
```
|
||||
|
||||
| 步骤 | 说明 |
|
||||
|:----:|------|
|
||||
| ① 数据准备 | 收集并整理好结构化的训练数据 |
|
||||
| ② 选择算法 | 选择一种学习方法（如决策树、随机森林） |
|
||||
| ③ 划分数据 | 将数据分为训练集（80%）和测试集（20%） |
|
||||
| ④ 训练模型 | 用训练集"教"计算机学习规律 |
|
||||
| ⑤ 评估模型 | 用测试集"考"模型，检验学习效果 |
|
||||
| ⑥ 应用模型 | 用学好的模型对新数据进行预测 |
|
||||
|
||||
### 3.2.3 实践：训练"社团推荐"预测模型
|
||||
|
||||
**需求描述：**
|
||||
> 我需要用机器学习方法从数据中学习规律，数据文件club_data.csv，特征列：logic_score, art_score, social_score，标签列：club。这是一个分类任务，使用随机森林算法，训练模型、评估效果、分析特征重要性。
|
||||
|
||||
**AI生成的代码核心逻辑：**
|
||||
```python
|
||||
import pandas as pd
|
||||
from sklearn.ensemble import RandomForestClassifier
|
||||
from sklearn.model_selection import train_test_split
|
||||
from sklearn.metrics import accuracy_score, classification_report
|
||||
import joblib
|
||||
|
||||
# 1. 加载数据
|
||||
df = pd.read_csv('club_data.csv')
|
||||
|
||||
# 2. 准备特征和标签
|
||||
X = df[['logic_score', 'art_score', 'social_score']]
|
||||
y = df['club']
|
||||
|
||||
# 3. 划分数据集（80%训练，20%测试）
|
||||
X_train, X_test, y_train, y_test = train_test_split(
|
||||
X, y, test_size=0.2, random_state=42)
|
||||
|
||||
# 4. 选择并训练模型（随机森林）
|
||||
model = RandomForestClassifier()
|
||||
model.fit(X_train, y_train)
|
||||
|
||||
# 5. 评估模型
|
||||
y_pred = model.predict(X_test)
|
||||
accuracy = accuracy_score(y_test, y_pred)
|
||||
|
||||
# 6. 分析特征重要性
|
||||
feature_importance = model.feature_importances_
|
||||
|
||||
# 7. 保存模型
|
||||
joblib.dump(model, 'club_recommendation_model.pkl')
|
||||
```
|
||||
|
||||
**运行结果示例：**
|
||||
```
|
||||
模型评估结果：
|
||||
准确率：87.00%
|
||||
|
||||
特征重要性分析：
|
||||
logic_score: 0.371
|
||||
art_score: 0.421
|
||||
social_score: 0.209
|
||||
|
||||
模型已保存为club_recommendation_model.pkl
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 3.3 应用程序开发 —— 构建命令行交互程序
|
||||
|
||||
### 3.3.1 从模型到应用
|
||||
|
||||
如何将这个智能模型包装成一个可用的应用，让其他人也能方便地使用？
|
||||
|
||||
对于初学者，最直接的方式是构建一个**命令行交互程序**。它不追求华丽的界面，而是专注于实现"输入-处理-输出"的核心逻辑。
|
||||
|
||||
### 3.3.2 实践：运行"社团推荐"应用程序
|
||||
|
||||
**程序功能模块：**
|
||||
```
|
||||
① load_model() → 加载训练好的模型文件
|
||||
② get_user_input() → 获取用户输入的能力分数
|
||||
③ predict_club() → 使用模型预测最适合的社团
|
||||
④ display_result() → 展示推荐结果和置信度
|
||||
```
|
||||
|
||||
**运行结果示例：**
|
||||
```
|
||||
模型加载成功！
|
||||
欢迎使用社团推荐系统！
|
||||
|
||||
请输入逻辑推理能力分数(0-100)：90
|
||||
请输入艺术创意能力分数(0-100)：70
|
||||
请输入社交协作能力分数(0-100)：88
|
||||
|
||||
【推荐结果】
|
||||
根据你的能力特征，系统推荐你加入：**辩论社**
|
||||
推荐信心度：80.5%
|
||||
|
||||
【能力分析】
|
||||
逻辑推理：90分
|
||||
艺术创意：70分
|
||||
社交协作：88分
|
||||
建议：你的逻辑和社交能力突出，非常适合参加辩论活动！
|
||||
|
||||
是否继续推荐？(y/n)：n
|
||||
感谢使用社团推荐系统，再见！
|
||||
```
|
||||
|
||||
## 3.4 本章思考题
|
||||
|
||||
1. 为什么我们需要将数据分为训练集和测试集？只用训练集不行吗？
|
||||
2. 特征重要性分析中，art_score的权重最高（0.421），这说明什么？
|
||||
3. 如果你要向朋友解释"随机森林"算法，你会怎么比喻？
|
||||
EOF
|
||||
echo "chapter3 done"
|
||||
|
|
@ -0,0 +1,128 @@
|
|||
# 第4章：执行——动手解决问题
|
||||
|
||||
## 4.1 从社团推荐迈向职业预测
|
||||
|
||||
在上一章中，我们通过"社团推荐"这个小项目，完整走通了"数据准备→模型训练→应用构建"的流程。现在，让我们把这个经验应用到更大的挑战上——**构建一个真正的职业预测系统**。
|
||||
|
||||
## 4.2 生成模拟职业数据集
|
||||
|
||||
### 需求描述
|
||||
|
||||
基于霍兰德职业兴趣理论，我需要生成一份用于职业倾向预测的模拟数据集：
|
||||
|
||||
| 项目 | 规格 |
|
||||
|:----:|------|
|
||||
| 数据量 | 1500条 |
|
||||
| 特征维度 | 4个维度，共16个特征 |
|
||||
| 生成逻辑 | 基于霍兰德职业兴趣理论设定合理规则 |
|
||||
| 目标变量 | 5类职业标签 |
|
||||
|
||||
**5类职业标签：**
|
||||
1. 技术专家
|
||||
2. 研究学者
|
||||
3. 创意人才
|
||||
4. 商业精英
|
||||
5. 社会服务
|
||||
|
||||
**16个特征维度：**
|
||||
|
||||
| 维度 | 特征 |
|
||||
|:----:|------|
|
||||
| 学术能力 | 逻辑推理、数学能力、语言表达、研究能力 |
|
||||
| 技能特长 | 编程能力、设计能力、分析能力、沟通能力 |
|
||||
| 个人特质 | 责任心、开放性、协作性、抗压能力 |
|
||||
| 兴趣动机 | 技术兴趣、艺术兴趣、管理兴趣、服务兴趣 |
|
||||
|
||||
### AI生成代码的核心逻辑
|
||||
|
||||
```python
|
||||
import numpy as np
|
||||
import pandas as pd
|
||||
|
||||
# 1. 生成1500条数据
|
||||
n_samples = 1500
|
||||
|
||||
# 2. 生成特征数据，使用不同的分布增强区分度
|
||||
data = {}
|
||||
# 学术能力维度
|
||||
data['逻辑推理'] = np.random.normal(70, 15, n_samples).clip(20,100).astype(int)
|
||||
data['数学能力'] = np.random.normal(65, 18, n_samples).clip(20,100).astype(int)
|
||||
data['语言表达'] = np.random.normal(68, 16, n_samples).clip(20,100).astype(int)
|
||||
data['研究能力'] = np.random.normal(65, 20, n_samples).clip(20,100).astype(int)
|
||||
# ... 更多特征生成 ...
|
||||
|
||||
# 3. 根据理论规则生成标签，加入4%的随机性模拟真实世界
|
||||
# 4. 创建DataFrame并保存
|
||||
df.to_csv('career_data.csv', index=False, encoding='utf-8-sig')
|
||||
```
|
||||
|
||||
### 运行结果
|
||||
|
||||
```
|
||||
正在生成1500条职业预测数据...
|
||||
数据生成完成！共1500条记录
|
||||
|
||||
职业分布：
|
||||
社会服务 460
|
||||
商业精英 340
|
||||
研究学者 277
|
||||
技术专家 232
|
||||
创意人才 191
|
||||
```
|
||||
|
||||
## 4.3 构建交互式职业预测系统
|
||||
|
||||
### 系统需求
|
||||
|
||||
基于刚生成的职业预测数据集（career_data.csv），构建一个完整的交互式职业预测系统：
|
||||
|
||||
1. **数据准备**：加载数据集，划分为训练集和测试集
|
||||
2. **模型训练**：使用随机森林算法训练分类模型
|
||||
3. **交互设计**：创建命令行交互界面，引导用户输入16项能力分数
|
||||
4. **预测功能**：根据用户输入预测最适合的职业方向
|
||||
5. **结果展示**：显示预测职业、置信度、能力分析
|
||||
|
||||
### 程序处理逻辑
|
||||
|
||||
```
|
||||
① 数据准备 → ② 模型训练 → ③ 交互设计 → ④ 预测功能 → ⑤ 结果展示
|
||||
```
|
||||
|
||||
### 运行结果示例
|
||||
|
||||
```
|
||||
模型准确率：76.00%
|
||||
|
||||
职业倾向预测系统
|
||||
请为以下能力打分（0-100分）：
|
||||
|
||||
1. 逻辑推理能力：100
|
||||
2. 数学能力：80
|
||||
3. 语言表达能力：60
|
||||
4. 研究能力：60
|
||||
5. 编程能力：100
|
||||
6. 设计能力：50
|
||||
7. 分析能力：50
|
||||
8. 沟通能力：20
|
||||
9. 责任心：30
|
||||
10. 开放性：30
|
||||
11. 协作性：50
|
||||
12. 抗压能力：70
|
||||
13. 技术兴趣：100
|
||||
14. 艺术兴趣：20
|
||||
15. 管理兴趣：20
|
||||
16. 服务兴趣：20
|
||||
|
||||
预测结果：技术专家
|
||||
置信度：83.7%
|
||||
```
|
||||
|
||||
## 4.4 实践成果
|
||||
|
||||
通过本章的实践，我在AI的协同下，成功地构建了一个能够从数据中学习并预测职业倾向的AI模型，完整经历了从数据准备、规律学习到模型应用的 **"赋予系统智能"** 全过程。
|
||||
|
||||
## 4.5 本章思考题
|
||||
|
||||
1. 模型准确率76%，你觉得这个水平够用吗？什么场景下可以接受，什么场景下不行？
|
||||
2. 如果让你增加更多特征来提升预测准确率，你会加入哪些特征？
|
||||
3. 模拟数据和真实数据有什么区别？如果用真实数据训练，你觉得结果会更好还是更差？
|
||||
|
|
@ -0,0 +1,58 @@
|
|||
# 第5章：评价——反思与总结
|
||||
|
||||
## 5.1 回顾探索之旅
|
||||
|
||||
这次围绕"职业预测"的探索，是一次完整的5E学习实践。通过从提问、探索到亲手构建系统的全过程，我不但弄明白了AI预测职业的底层逻辑，更关键的是，我真实体验了如何将一个大问题，拆解、转化为AI能理解并协助解决的具体任务。
|
||||
|
||||
## 5.2 我的三大收获
|
||||
|
||||
### 收获一：角色的根本转变
|
||||
|
||||
我从一个迷茫的**"提问者"**，变成了清晰的**"构建者"**。
|
||||
|
||||
- 开始时：AI怎么预测职业？它真的能"认识"我吗？
|
||||
- 结束时：我理解了数据、模型、预测的完整流程，并且亲手构建了一个能用的系统
|
||||
|
||||
### 收获二：验证了"以用促学"的高效
|
||||
|
||||
- 为了生成数据 → 去学"结构化思维"
|
||||
- 为了训练模型 → 去理解"机器学习"基本概念
|
||||
- 为了构建应用 → 去体验"输入-处理-输出"的软件设计
|
||||
|
||||
知识因需而学，格外牢固。
|
||||
|
||||
### 收获三：摸到了与AI协作的门道
|
||||
|
||||
我不必精通所有技术，但必须善于**清晰地定义问题和规划路径**。与AI的有效协作，关键在于将模糊的想法转化为具体、清晰、可执行的技术指令。
|
||||
|
||||
## 5.3 清醒地看到边界
|
||||
|
||||
当然，我也认识到了工具的局限：
|
||||
|
||||
| 方面 | 我们的模型 | 现实世界 |
|
||||
|:----:|:----------:|:---------:|
|
||||
| 数据 | 模拟生成，规律明确 | 真实数据，噪声多、偏差大 |
|
||||
| 特征 | 16个预设维度 | 数百个复杂维度，难以量化 |
|
||||
| 预测 | 基于统计规律 | 还需考虑个人意愿、社会环境等 |
|
||||
| AI角色 | 理性的"数据分析师" | 无法替代感性的"内心声音" |
|
||||
|
||||
**AI是理性的"数据分析师"，但无法替代我们感性的"内心声音"。**
|
||||
|
||||
## 5.4 总结：三条核心信念
|
||||
|
||||
这次探索给我的，远不止一个预测程序：
|
||||
|
||||
1. **一套"从问题到系统"的可迁移构建思维**
|
||||
- 面对复杂问题→拆解为可执行步骤→借助AI工具逐步解决
|
||||
|
||||
2. **一种"与AI协同解题"的高效工作模式**
|
||||
- 人类负责定义方向和规划路径，AI负责执行技术细节
|
||||
|
||||
3. **一个根本信念：学习即解决问题、即认知升级**
|
||||
- 最好的学习方式，就是动手解决一个真实的问题
|
||||
|
||||
## 5.5 本章思考题
|
||||
|
||||
1. 回顾整个探索过程，你最大的收获是什么？哪个环节让你印象最深？
|
||||
2. 你认为AI在职业规划中应该扮演什么角色？完全交给AI决策合适吗？
|
||||
3. 如果让你设计下一个探索项目，你会选择什么主题？为什么？
|
||||
Loading…
Reference in New Issue