🌟 终极记忆技巧：AWS 认证 AI Practitioner（AIF-C01）

Source: Dev.to

机器学习基础

监督学习 vs 无监督学习

• 有标签 → 监督学习
• 无标签 → 无监督学习

✔ 监督学习 = 教师 + 正确答案
✔ 无监督学习 = 找模式（聚类、分段）

分类 vs 回归

• 离散类别 → 分类
• 连续数值 → 回归

过拟合 vs 欠拟合

• 过拟合 = 模型过于复杂 → 增加正则化
• 欠拟合 = 模型过于简单 → 减少正则化

关键算法

• 聚类 – 对客户进行分组？没有标签？→ K‑Means
• 图像分类 – 花卉分类 → k‑NN 或 Decision Tree
• 异常检测 – 无标签 + 异常检测 → Autoencoders

生成式 AI Prompt 工程

• Few‑shot 提示 – 展示格式 → Few‑shot 提示。
• Prompt 链接 – 多步骤工作流 → Prompt 链接。
• ReAct 提示 – 推理 + 行动 + 工具使用 → ReAct。

温度 (Temperature)

• 创造力 ↑ → 温度 ↑
• 一致性 ↑ → 温度 ↓

大语言模型推理参数

• Temperature – 创造力
• Top‑K – 候选 token 数量
• Top‑P – 概率阈值
• Max Tokens – 输出长度
• Frequency Penalty – 降低重复词
• Presence Penalty – 抑制重复主题

映射关系

• 创造力 → Temperature / Top‑K / Top‑P
• 长度 → Max Tokens
• 重复 → Frequency & Presence

检索增强生成 (RAG)

切块的目的

切块 = 更好检索 → 更好上下文

RAG 中的批处理步骤

• ✔ 内容嵌入
• ✔ 构建搜索索引

不要在此批处理中包含查询嵌入或响应生成。

多模态搜索的 LLM 类型

文本 + 图像查询 → 多模态模型

评估机器学习模型

摘要指标

• ROUGE（默认）
• 若缺少 ROUGE → 选择 BLEU

翻译指标

• BLEU / METEOR

分类指标

• 数据不平衡 → F1 Score
• 数据平衡 → Accuracy

回归指标

• 数值预测 → MSE / RMSE

大语言模型质量

• Perplexity – 模型的惊讶程度？

AWS 服务 – 快速记忆点

• Model Cards – 治理 + 文档
• Model Monitor – 检测生产中的漂移
• Ground Truth – 人工标注
• JumpStart – 预构建模型 + 快速部署
• SageMaker Canvas – 无代码数据准备
• HealthScribe – 医学语音转文字
• Guardrails for Bedrock – 负责任的 AI（安全过滤器）
• PartyRock – 实验 + 学习 + 免费 (不适用于 VPC，也不用于部署)

生成式 AI 生命周期

设计 → 数据 → 训练 → 评估 → 部署 → 监控

评估阶段

• 准确率测试
• 安全性 + 毒性测试
• 幻觉（Hallucination）测量

推理

• Train = 学习
• Infer = 预测
• Deploy = 服务

嵌入 (Embeddings)

• Embeddings = 含义 → 向量
• 降维 → 相同含义 → 相似度搜索

基础概念

微调 (Fine‑tuning)

让大模型在小任务上表现出色。

• 领域特定的标注数据
• 提升特定任务性能
• 不 从头重新训练
• 不 更新模型以适应最新事件

负责任的 AI

安全 + 过滤 + 检测毒性 → 使用 Guardrails

最后思考

这些记忆点旨在：

• 在考试中实现即时回忆
• 减少相似概念之间的混淆
• 通过模式而非记忆定义来建立信心

本内容基于 QA/CloudAcademy 课程 “AWS Certified AI Practitioner (AIF‑C01) Certification Preparation” 由 Danny Jessee 提供的洞见编写。