我的博客

8.3 人工智能与机器学习

8.32026-11-03 10:56:00

本篇定位：人工智能与机器学习是金融科技2026 年爆发板块（当年 9 题中 5 题属 AI/ML），2027 预测点名（监督/无监督/半监督、分类/回归/聚类、决策树/SVM/朴素贝叶斯/K-means/Logistic/PCA）。考点：监督 vs 非监督、分类/回归/聚类、决策树、Logistic 回归、深度学习、AI 芯片、机器学习步骤。核心能力：监督=有标签（回归/分类）、非监督=无标签（聚类）；决策树=分类；Logistic 目标必须离散。 数据依据：01-真题/真题文本/ + 01-真题/考点汇总/ + 2027命题预测分析.md；答案以专业判断为准。 阅读提示：决策树与 3.2 二叉树概念呼应；AI 安全与 7.10 前沿安全衔接；金融风控应用（逾期预测）是场景题主线。

一、考点定位（本章真题统计）

考点真题锚点频次考法
监督 vs 非监督2020 单54、2021 多92、2026 单653 年 3 题聚类=非监督；回归/分类=监督；关联分析不是监督
决策树2026 单25/多951 年 2 题分类模型；逾期预测等应用
Logistic 回归2026 单301 年目标变量必须离散
深度学习2025 单241 年多层神经网络+海量数据
AI 芯片2026 单691 年新型计算范式/训练推断/可重构
机器学习步骤2020 多911 年特征工程/算法选取/模型评估；样本切分不属于

命题规律：AI/ML 是2026 最大增量（5 题），考"算法类型识别 + 特性辨析"。2027 预测 2–3 题：监督/非监督分类、决策树/Logistic 应用、深度学习。核心能力：监督非监督分家表 + 决策树/Logistic/聚类三算法一句话。

二、知识框架（先搭骨架）

机器学习（让机器从数据中学习规律）
├── 按学习方式
│   ├── 监督学习：有【标签】数据（知道答案）——2021 多92
│   │   ├── 回归：预测【连续值】（房价/收入）
│   │   └── 分类：预测【离散类别】（逾期/不逾期）——决策树、Logistic、SVM、朴素贝叶斯
│   ├── 非监督学习：无标签数据（自己找规律）——2020 单54
│   │   └── 聚类：把相似样本分组（K-Means）
│   └── ❌ 关联分析（Apriori）不是监督学习（2026 单65）
├── 三大算法一句话
│   ├── 决策树：按特征分层判断的【分类模型】（2026 单25）——信用卡逾期预测/保险推销（2026 多95）
│   ├── Logistic 回归：估计事件发生可能性的分类算法，【目标必须是离散变量】（2026 单30）
│   └── K-Means：聚类算法（非监督）
├── 深度学习（2025 单24）
│   ├── 基于【多层神经网络】+ 海量数据自学习
│   └── 是机器学习的一个分支
├── AI 芯片（2026 单69）
│   ├── 新型计算范式、训练和推断、大数据处理能力、可重构能力
│   └── 专为 AI 计算设计（GPU/TPU/NPU）
└── 机器学习构建步骤（2020 多91）
    ├── 特征工程 → 算法选取 → 模型评估
    └── ❌ 样本切分不属于构建步骤（是评估方法）

一句话记忆：监督有标签（回归连续/分类离散）、非监督无标签（聚类）；决策树分类、Logistic 目标离散、K-Means 聚类；深度学习=多层神经网络；AI 芯片=训练推断可重构。

三、考点详解

3.1 监督 vs 非监督（2020 单54、2021 多92、2026 单65，必考）

精确定义：

  • 监督学习：用有标签的训练数据（输入+正确答案）训练模型——回归（连续值）、分类（离散值）（2021 多92）；
  • 非监督学习：用无标签数据训练，模型自己发现结构——聚类（K-Means）、降维（PCA）（2020 单54：聚类是非监督学习）；
  • 半监督：少量标签+大量无标签。

2026 单65（选不属于）：关联分析不属于监督学习——关联分析（Apriori 找购物篮规则）是无监督/独立类型；SVM/朴素贝叶斯/线性回归都是监督。

口诀：监督=回归+分类；非监督=聚类；关联分析靠边站。

3.2 决策树（2026 单25/多95，必考）

精确定义：决策树 = 按特征逐步分支进行分类/预测的模型——属于分类模型（2026 单25 选决策树；K-Means 聚类、Apriori 关联、PCA 降维都不是分类）。

决策树应用场景（2026 多95，选 ABD）：

  • ✅ 预测信用卡新客户是否逾期（二分类，风控场景）；
  • ✅ 保险公司筛选高意向客户（分类任务）；
  • ✅ 根据生活作息推断患癌几率（分类/概率预测）；
  • ❌ "找购物篮商品关联"不是决策树（那是关联分析 Apriori/FP-Growth）。

口诀：决策树=按特征分支的分类器；购物篮=关联分析（Apriori）。

3.3 Logistic 回归（2026 单30）

精确定义：Logistic 回归 = 用于估计事件发生可能性的分类算法——通过 Sigmoid 函数把线性组合映射到 (0,1)。

2026 单30（选错误项 B）："目标变量可以是连续变量"是错误说法——Logistic 的目标变量必须是离散变量（二分类/多分类）；连续变量是线性回归的目标。

口诀：Logistic 目标离散、线性回归目标连续。

3.4 深度学习（2025 单24）

2025 单24（选深度学习）：基于多层神经网络、以海量数据为输入进行自学习 → 深度学习。

深度学习 vs 机器学习：深度学习是机器学习的分支（多层神经网络）；机器学习是人工智能的分支。

口诀：多层神经网络+海量数据=深度学习。

3.5 AI 芯片（2026 单69）

2026 单69（选 B）：AI 芯片的关键特征 = 新型计算范式、训练和推断、大数据处理能力、可重构能力。

AI 芯片类型：GPU（并行计算）、TPU（谷歌张量处理器）、NPU（神经网络处理器）——专为 AI 计算优化。

口诀：AI 芯片=新范式、训推一体、大数据、可重构。

3.6 机器学习构建步骤（2020 多91）

2020 多91（选 ACD）：构建机器学习模型的步骤 = 特征工程 → 算法选取 → 模型评估；"样本切分"不属于构建步骤（切分是评估时的方法）。

口诀：建模型=特征→选算法→评估；切分是评估的事。

3.7 回归系数与数据挖掘四任务（补强；2021 单58、2023 多86）

线性回归 y＝a＋bx 里 b 的三种含义（别混）：

  • 符号＝方向：b＞0 正相关、b＜0 负相关；
  • 绝对值＝x 每增加 1 个单位，y 平均变化多少（不是"相关强度"，也不是"准确率"）；
  • 例（2021 单58）：b＝−2.78 ⇒ "x 每增加 1，y 平均减少 2.78"。干扰项常写成"增加 2.78""相关强度 2.78""解释度 2.78"。

数据挖掘四任务（2023 多86，穷举题）：分类（有标签）、聚类/聚集（无标签）、关联规则（购物篮，Apriori）、时序模式（趋势/周期）。

  • 边界：分类 vs 聚类的分水岭＝有没有标签；降维（PCA）不是四任务之一，属预处理。

四、易错坑汇总（命题人惯用陷阱）

  1. 聚类=非监督（2020 单54）——"聚类是监督学习"错误（聚类无标签）。
  2. 回归/分类=监督（2021 多92）——"回归是非监督"错误（回归有标签=监督）。
  3. 关联分析不是监督（2026 单65）——"关联分析属于监督学习"错误。
  4. 决策树=分类（2026 单25）——"决策树是聚类算法"错误（K-Means 才是聚类）。
  5. Logistic 目标离散（2026 单30）——"Logistic 目标可以连续"错误（连续是线性回归）。
  6. 购物篮=关联分析（2026 多95）——"决策树找购物篮关联"错误（Apriori/FP-Growth 才是）。
  7. 样本切分不是构建步骤（2020 多91）——"样本切分是构建步骤"错误。
  8. 深度学习=多层神经网络（2025 单24）——"深度学习是单层模型"错误（多层）。

五、横向扩展（防漏网：本章边界内、真题尚未考但可能补考的点）

说明：横向扩展覆盖"大纲范围内但 9 年真题未考过"的知识，标注【新增概率】供取舍。

  1. SVM/朴素贝叶斯【高】：分类算法（2026 单65 出现过）——"哪些是分类算法"多选高概率。
  2. K-Means 原理【中】：按距离聚类、K=簇数——名词题。
  3. PCA 降维【中】：主成分分析（2026 单25 出现过）——降维方法。
  4. 过拟合与欠拟合【中】：模型在训练集好、测试集差=过拟合——概念题。
  5. 模型评估指标【中】：准确率/精确率/召回率/F1——名词题。
  6. 大模型/AIGC【高】：GPT 类大模型、生成式 AI——2027 预测点名"大模型/AIGC"。
  7. 强化学习【低】：通过奖励反馈学习（2025 单24 干扰项）——名词题。
  8. 联邦学习【低】：数据不出域联合训练（金融隐私场景）——名词题。

六、真题演练（代表性真题 + 解析）

例 1（2026 单25） 下列属于分类模型的是（口径已核）。 A. K-Means　B. 决策树　C. Apriori　D. PCA

答案：B。决策树=分类模型；K-Means 聚类、Apriori 关联、PCA 降维都不是分类。口诀：分类找决策树。

例 2（2026 单30） 关于 Logistic 回归，错误的说法是（口径已核）。 A. 用于估计事件发生的可能性 B. 目标变量可以是连续变量 C. 目标变量必须是离散变量 D. 自变量可离散可连续

答案：B。Logistic 目标必须是离散变量（B 是错误说法）；连续变量是线性回归。口诀：Logistic 目标离散。

例 3（2026 单65） 下列不属于监督学习的是（口径已核）。 A. SVM　B. 朴素贝叶斯　C. 关联分析　D. 线性回归

答案：C。关联分析（Apriori）不是监督学习；SVM/朴素贝叶斯/线性回归都是监督。口诀：关联分析不是监督。

例 4（2026 多95） 决策树适合的应用场景有（口径已核）。 A. 预测信用卡新客户是否逾期 B. 保险公司筛选高意向客户 C. 找出购物篮商品关联 D. 根据作息推断患癌几率

答案：ABD。决策树=分类/预测（A/B/D）；购物篮关联是关联分析（C 错）。口诀：决策树分类预测、购物篮找关联。

例 5（2025 单24） 基于多层神经网络、以海量数据自学习的方法是（口径已核）。 A. 监督学习　B. 半监督学习　C. 强化学习　D. 深度学习

答案：D。多层神经网络+海量数据=深度学习。口诀：多层网络深学习。

例 6（2020 多91） 构建机器学习模型的过程包括（口径已核）。 A. 特征工程　B. 样本切分　C. 算法选取　D. 模型评估

答案：ACD。构建步骤=特征工程/算法选取/模型评估；样本切分（B）是评估方法、不属于构建步骤。口诀：特征→算法→评估。

七、本章小结

  • 一条主线：监督（回归/分类）vs 非监督（聚类）→ 决策树（分类）→ Logistic（目标离散）→ 深度学习（多层网络）→ AI 芯片 → 构建步骤。
  • 必背判定：聚类=非监督（2020 单54）；关联分析非监督（2026 单65）；决策树=分类（2026 单25）；Logistic 目标离散（2026 单30）；样本切分非步骤（2020 多91）。
  • 衔接预告：AI 安全→7.10；决策树→3.2 二叉树；大模型→8.5 新兴应用。
计算机专业课金管局一本通