核心内容摘要
Qwen3-ASR-1.7B效果展示：识别带背景音乐的歌曲，准确率依然在线
聚焦 AI 学习中 “用得到、能看懂、可实操” 的基础数学知识点不深入公式推导重点讲 “在 AI 里有啥用 怎么用 Python 落地”。
加减乘除AI 里的 “数据计算基本功”核心作用AI 中最基础的运算比如数据预处理计算平均分、求和、模型误差计算预测值 - 真实值、特征缩放比如把数据缩小到
范围所有复杂算法的底层都是简单四则运算。
核心知识点小白必掌握整数 / 小数四则运算加减乘除 - × ÷重点是 “小数运算”AI 数据多是小数比如模型预测概率、特征值。
混合运算先乘除后加减有括号先算括号里比如(预测值-真实值)²计算误差。
常用衍生计算求和多个数据相加比如计算一批次数据的总误差。
平均值总和 ÷ 个数比如计算模型预测的平均准确率。
差值两个数相减比如真实房价-预测房价判断预测偏差。
AI 场景实操Python 代码直接复制运行python# 示例1AI模型预测误差计算加减运算 # 假设真实房价万元和模型预测房价万元 true_prices [100, 120, 90, 150, 110] pred_prices [98, 125, 88, 155, 108] # 计算每个数据的误差真实值-预测值再求平均误差 errors [] for true, pred in zip(true_prices, pred_prices): error true - pred # 差值计算减 errors.append(error) average_error sum(errors) / len(errors) # 求和sum 除法÷ print(f每个数据的误差{errors}) print(f平均误差{average_error:.2f} 万元越小说明预测越准) # 示例2数据特征缩放乘除运算 # AI中常把数据缩放到
范围方便模型训练比如把房价从“万元”缩放到
max_price max(true_prices) # 找最大值 scaled_prices [price / max_price for price in true_prices] # 除法缩放 print(f\n缩放后的房价
范围{[round(p,
for p in scaled_prices]})运行结果每个数据的误差[2, -5, 2, -5, 2] 平均误差-
20 万元越小说明预测越准 缩放后的房价
范围[
67,
8,
6,
0,
73]
概率AI 里的 “预测核心逻辑”核心作用AI 模型的预测结果本质是 “概率”比如判断一张图片是猫的概率 90%、是狗的概率 10%概率还用于数据分布分析比如数据集里正负面样本的占比、模型评估比如准确率 正确预测的概率。
核心知识点小白必掌握概率基础事件发生的可能性取值范围
不可能发生1 必然发生。
示例抛硬币正面朝上的概率 1/
2
5掷骰子点数为 6 的概率 1/6≈
17。
频率与概率多次实验后事件发生的次数 ÷ 总次数≈概率比如抛 100 次硬币正面出现 48 次频率 48/
1
48≈
5。
简单概率计算概率符合条件的情况数÷所有可能的情况数。
AI 场景实操Python 代码直接复制运行python# 示例1AI文本分类情感分析中的概率计算 # 假设收集了100条电影评论其中正面评论75条负面评论25条 total_comments 100 # 总情况数 positive_comments 75 # 符合“正面评论”的情况数 negative_comments 25 # 符合“负面评论”的情况数 # 计算正面/负面评论的概率频率近似概率 positive_prob positive_comments / total_comments negative_prob negative_comments / total_comments print(f正面评论概率{positive_prob:.2f}75%) print(f负面评论概率{negative_prob:.2f}25%) # 示例2模型预测结果解读AI输出的概率分布 # 假设模型预测一条评论的结果正面概率
85负面概率
15 pred_probs {正面:
85, 负面:
15} # 选择概率最大的类别作为最终预测结果 final_pred max(pred_probs, keypred_probs.get) print(f\n模型预测该评论为{final_pred}概率{pred_probs[final_pred]:.2f})运行结果正面评论概率
7575% 负面评论概率
2525% 模型预测该评论为正面概率
85
简单矩阵AI 里的 “数据存储格式”核心作用AI 中的数据几乎都以 “矩阵” 形式存储和运算比如图片是 “像素矩阵”长 × 宽 ×33 代表 RGB 颜色、文本的词向量是 “1×n 矩阵”n 是特征数、模型的权重参数是 “m×k 矩阵”。
小白不用懂复杂矩阵运算只需认识矩阵、会简单操作即可。
核心知识点小白必掌握矩阵定义由行和列组成的 “矩形数据表格”用方括号[]表示每个数据叫 “元素”。
示例[[1,2,3],[4,5,6],[7,8,9]]是 3 行 3 列矩阵3×3 矩阵[[
5,
3], [
2,
8]]是 2 行 2 列矩阵。
矩阵的行和列横向为 “行”纵向为 “列”比如上面的 3×3 矩阵有 3 行 3 列元素5在第 2 行第 2 列。
简单矩阵操作AI 入门够用矩阵加法对应位置元素相加要求两个矩阵行数、列数相同。
数乘矩阵中每个元素都乘以同一个数比如把像素矩阵的每个元素 ×
5降低亮度。
AI 场景实操Python 代码用列表模拟矩阵无需额外库python# 示例1认识AI中的矩阵图片像素矩阵简化版 # 假设一张3×3的黑白图片像素值
黑色255白色 pixel_matrix [ [255, 200, 150], # 第1行像素 [200, 100, 50], # 第2行像素 [150, 50, 0] # 第3行像素 ] print(3×3黑白图片像素矩阵) for row in pixel_matrix: print(row) # 示例2矩阵数乘降低图片亮度每个像素值×
5 darkened_matrix [[pixel *
5 for pixel in row] for row in pixel_matrix] print(\n降低亮度后的像素矩阵×
0.
for row in darkened_matrix: print([round(p,
for p in row]) # 示例3矩阵加法两个特征矩阵相加AI中特征融合常用 feature1 [[
2,
8], [
9,
1]] # 特征矩阵12×2 feature2 [[
3,
5], [
2,
4]] # 特征矩阵22×2 merged_feature [[f1 f2 for f1, f2 in zip(r1, r
] for r1, r2 in zip(feature1, feature
] print(\n特征融合后的矩阵加法) for row in merged_feature: print([round(f,
for f in row])运行结果3×3黑白图片像素矩阵 [255, 200, 150] [200, 100, 50] [150, 50, 0] 降低亮度后的像素矩阵×
5 [
1
0,
1
0,
7
0] [
1
0,
5
0,
2
0] [
7
0,
2
0,
0] 特征融合后的矩阵加法 [
5,
3] [
1,
5]
总结加减乘除是 AI 数据计算的 “基本功”核心用在误差计算、数据缩放等场景用 Python 的基础运算就能实现。
概率是 AI 预测的 “核心逻辑”重点理解 “
取值”“概率最大为最终结果”后续看模型输出时能快速解读。
简单矩阵是 AI 的数据 “存储格式”认识行和列、会简单加法和数乘就能看懂图片、文本等数据的存储逻辑。
这些基础数学完全够用 AI 入门后续遇到复杂算法比如梯度下降再针对性补充不用提前焦虑。