简介《AI培训1-AI初体验-人工智能通识基础课》面向零基础学习者以及希望系统补齐人工智能通识的从业者它用一册PDF串起概念、原理与应用场景帮助读者解决入门阶段知识零散、术语难懂的问题。内容从AI定义与历史脉络讲起涵盖达特茅斯会议、符号主义与连接主义、专家系统、机器学习直至深度学习并展开机器学习监督、无监督、强化学习、自然语言处理、计算机视觉与机器人技术四大分支。大数据部分覆盖数据预处理、特征工程以及Hadoop、Spark在模型训练中的应用另设AI伦理与社会影响讨论并以简单模型构建、文本分析等实例和实战项目帮助读者把理论落到操作。压缩包共1个PDF文件约6.25MB轻量便于随时查阅。已有385人学习可作为人工智能通识入门的系统起点。1. 拆开一份企业内部 AI 通识课为什么“听得懂”和“跑得通”差着一条街上周一位做数据报表的朋友把这份课件转给我说公司内训发下来的资料讲得挺全从人工智能的定义一路讲到伦理可他看完还是不知道下一步该干什么。这种反馈我听过太多次。通识课的价值在于把术语边界划清楚它解决的是“人工智能到底包含哪些东西、大数据在其中扮演什么角色”这类认知问题而不负责让你明天就能训出一个模型。这份【AI 初体验 - 人工智能通识基础课】的定位就在这里面向零基础或半路转岗的人用一套完整骨架把 AI 的来龙去脉、核心分支、数据底座和伦理边界串起来配套的实例演示和实战项目是留给愿意动手的人的入口。它适合刚被安排接 AI 相关需求的产品、运营、测试也适合想系统补一遍概念、再决定往哪个方向深钻的开发。2. 课程骨架拆一遍五个模块各自的术语边界与技术落点如果把这份课件当成 PPT 翻一遍很容易得出“全是概念”的结论。真正值得看的是它的组织顺序先讲历史再讲分支然后压到数据层最后收在伦理。这个顺序不是凑篇幅它对应的是“一个方法在什么假设下成立、失效时往哪找原因”的排查链。下面按模块拆每块都给出我认为合格的从业者应该在这里拿到的具体东西。2.1 认知层符号主义、专家系统、机器学习、深度学习这条线怎么讲才不糊课件从 1956 年那场学术会议讲起把人工智能的起点定在“用机器模拟和扩展人类智能行为”这个目标上。这个定义听着空但它埋了一个关键分歧智能到底是靠人把规则写进去还是靠机器从数据里自己学出来。早期是符号主义占上风做法是把领域知识拆成 if-then 规则推理机负责串起来专家系统就是这条路线的产物。它在规则明确、边界封闭的场景里非常好用比如设备告警的分级判定。问题是三个知识获取瓶颈专家往往说不清自己是怎么判断的规则一多就互相冲突维护成本指数上升面对模糊输入含噪图像、口语化文本直接失灵。连接主义走的是另一条路用大量简单单元连成网络让权重从数据里调出来。这条路早期受限于算力和数据沉寂过两次直到算力上来、标注数据变多才演化成今天的深度学习。课件把“机器学习”单列成一个阶段是有道理的那个阶段的主力是人工设计特征加统计模型特征工程能占到整个项目八成工作量深度学习把这一步换成了表示学习特征由网络自己学端到端训练。讲课顺序背后的道理是让你知道每个方法的假设边界在哪。举个反直觉的例子在需要逐条审计、出了问题要能解释清楚为什么拒贷的场景里一套规则系统反而比高精度黑箱模型更受欢迎因为它的决策路径可以被逐行读完。2.2 分支层机器学习、NLP、CV、机器人各自的最小闭环课件把人工智能切成机器学习、自然语言处理、计算机视觉、机器人技术四块。这个切法在工程上要改一个字这四条线共用同一套“数据—模型—评估”骨架差别只在数据形态和评价指标不是四个互不相干的学科。机器学习这块课件讲监督、无监督、强化三种范式。监督学习有标签干的是分类和回归无监督没有标签干的是聚类、降维、异常检测强化学习没有标准答案只有一个环境在每一步给你打分智能体要在延迟反馈里学策略。判断一个需求该用哪种最快的办法是问一句“我手上有没有正确答案”有就是监督没有但想找结构就是无监督答案是靠一连串动作换来的就是强化。自然语言处理的最小闭环是“文本进、结构化出”分词或子词切分、向量化、序列建模最后落到意图识别加槽位填充这类具体任务上。对话系统不是玄学它就是分类加抽取的组合。计算机视觉的最小闭环是“图像进、位置或类别出”图像分类给整张图一个标签目标检测给框和类别分割给到像素级。机器人技术偏系统侧核心是感知—规划—控制三段SLAM 解决“我在哪”运动规划解决“怎么过去”。课件在这四块都只到“知道它干什么”的深度够用但别指望看完就会调参。模块课件重点建议动手产出的东西机器学习三范式定义与适用条件三个各 40 行以内、能跑出指标的小脚本自然语言处理文本分析流程、对话系统组成一条中文分词加关键词抽取的流水线计算机视觉图像识别与目标检测的差别一次迁移学习微调看清分类与检测输出格式机器人技术感知、规划、控制分层不写代码画一张任务分解图即可大数据4V 特性、Hadoop 与 Spark 定位本地 Spark 跑通一次分组聚合2.3 数据层通识课为什么绕不开 Hadoop 和 Spark课件花了不小篇幅讲大数据的体量大、速度快、种类多然后引出 Hadoop 和 Spark。很多人看到这里会跳过觉得入门课讲分布式是浪费时间。我的看法相反模型效果的上限由数据决定而特征工程几乎全部发生在数据平台上你不了解数据怎么存、怎么算后面调模型就是盲调。Hadoop 这套东西拆开看就三件HDFS 负责把大文件切块、多副本存到多台机器上MapReduce 负责把计算拆成“分片处理再汇总”两步YARN 负责给任务分资源。它的短板是中间结果反复落盘迭代型计算慢。Spark 的改进核心是把中间结果放在内存里用有向无环图把多个算子串成一个执行计划减少落盘次数。课件层面只需要建立两个概念存算分离以及批处理与流处理的分工。落到实操新手不必真去搭集群本地模式跑一遍 DataFrame 的聚合就能理解“代码写法像单机、执行计划是分布式”这件事。2.4 伦理层被当成水课实际是评审问答的高频区课件最后一块讲隐私泄露、就业结构变化、算法偏见。多数人翻两页就过等到方案评审被问“这个模型凭什么拒掉这个客户”“训练数据里某类人群占比多少”时才发现答不上来。这部分真正要带走的是四个可操作的抓手数据最小必要能不收的字段就不收、脱敏与去标识训练集里不该出现可直接定位到个人的信息、代表性检查分群看召回率别只看总体、可解释性交付至少能给出影响最大的几个特征。前两个是合规底线后两个是模型能不能上线的实际门槛。课件在这里提了社会责任但没给模板我一般的做法是给每个模型补一页说明写清数据来源、覆盖人群、已知失效场景评审时直接翻这一页。3. 把课件里的三类学习各写一遍三段能跑的最小代码通识课最容易断的地方是从“知道有监督学习”到“写出一行 import”之间。这一章给三段最小可运行代码每段都控制在几十行目的是让你把课件里的名词和屏幕上的输出对上号。环境准备只需要一条命令装完就能跑不必纠结版本组合。# 建一个干净环境避免和系统里其他包打架 python -m venv ai-intro source ai-intro/bin/activate # Windows 用 ai-intro\Scripts\activate pip install scikit-learn pandas numpy pyspark命令里的venv是标准库自带的虚拟环境作用是给这套练习一个独立依赖目录激活后再装包不会污染全局解释器。后面三段代码都假设你在这个环境里执行。3.1 监督学习从划分数据到 AUC 的一整条流水线监督学习的最小闭环是五步取数据、切分、预处理、训练、评估。下面这段用内置的乳腺肿瘤数据集二分类特征 30 维。重点看Pipeline的用法它把标准化和分类器绑成一个对象这一步决定了后面做交叉验证时不会出现数据泄漏。# 监督学习最小闭环加载 - 切分 - 标准化 - 训练 - 评估 from sklearn.datasets import load_breast_cancer from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline from sklearn.linear_model import LogisticRegression from sklearn.metrics import classification_report, roc_auc_score X, y load_breast_cancer(return_X_yTrue) # stratifyy 保证训练集和测试集的正负样本比例与原始数据一致 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42, stratifyy ) pipe Pipeline([ (scaler, StandardScaler()), # 特征标准化逻辑回归对量纲敏感 (clf, LogisticRegression(max_iter1000, C1.0)), ]) pipe.fit(X_train, y_train) # 标准化参数只从训练集学 proba pipe.predict_proba(X_test)[:, 1] # 取正类概率用于算 AUC print(classification_report(y_test, pipe.predict(X_test), digits3)) print(AUC:, round(roc_auc_score(y_test, proba), 4))逻辑说明Pipeline在fit时只用训练集计算均值和方差predict时复用这组参数这条约束是防止信息从测试集回流到训练过程的唯一保障。predict_proba返回两列第二列才是正类概率取错列算出来的 AUC 会明显偏低这是我见过的新手高频错误。参数说明test_size0.2是测试集比例样本少于一千条时别低于 0.2否则评估波动太大random_state固定切分结果方便复现stratify在类别不平衡时必须给不然可能切出一个几乎没有正类的测试集C是正则强度的倒数越小正则越强过拟合时先降它max_iter是迭代上限报收敛警告就加到 2000别当成模型坏了。3.2 无监督学习聚类和降维放一起才看得出差别无监督最容易讲虚因为“没有标准答案”听起来像没法验证。实操上它有明确的自检手段聚类看轮廓系数和簇内平方和降维看累计解释方差。下面这段在同一个标准化后的数据集上同时跑 KMeans 和 PCA让你直观看到“分几簇”和“压到几维”是两个独立决策。# 无监督先用轮廓系数选簇数再用 PCA 看降到几维够用 from sklearn.datasets import load_breast_cancer from sklearn.preprocessing import StandardScaler from sklearn.cluster import KMeans from sklearn.decomposition import PCA from sklearn.metrics import silhouette_score X, y load_breast_cancer(return_X_yTrue) X_scaled StandardScaler().fit_transform(X) # 距离类算法必须先标准化 for k in range(2, 6): km KMeans(n_clustersk, n_init10, random_state42) # n_init 多初始化取最优 labels km.fit_predict(X_scaled) print(fk{k} 惯性{km.inertia_:.1f} 轮廓系数{silhouette_score(X_scaled, labels):.3f}) pca PCA(n_components0.90, random_state42) # 保留 90% 累计方差 X_pca pca.fit_transform(X_scaled) print(压到维度:, X_pca.shape[1], 累计解释方差:, round(pca.explained_variance_ratio_.sum(), 3))逻辑说明inertia_是簇内平方和越小越紧但它随簇数单调下降所以不能单独用来选 k要配合轮廓系数看拐点。n_components0.90让 PCA 自己决定维数输出维度就是达到 90% 方差所需的主成分个数这个数字直接告诉你数据里有几成信息集中在少数方向上。参数说明n_init10表示换 10 组初始质心取最好的结果KMeans 对初始化敏感这个值别设成 1random_state控制初始化随机性写死才能复现n_components给整数就是固定维数给 0 到 1 之间的小数就是方差阈值两种用法含义完全不同别混着写。注意聚类结果的簇编号没有语义别把“第 0 簇”当成某个业务类别解释。3.3 强化学习用 40 行网格世界把奖励讲明白课件里强化学习通常一句话带过但“智能体、环境、奖励、策略”这四个词如果不落到代码上很难真正理解。下面是一个 4×4 网格世界从左上角出发走到右下角得分每走一步扣一点智能体靠 Q 表学到最短路径。# 4x4 网格世界Q-learning 学最短路径0 是起点15 是终点 import numpy as np N, GAMMA, ALPHA, EPS, EPISODES 16, 0.9, 0.1, 0.1, 500 def step(s, a): 动作0 上 1 下 2 左 3 右越界则原地不动 r, c divmod(s, 4) if a 0: r max(r - 1, 0) elif a 1: r min(r 1, 3) elif a 2: c max(c - 1, 0) else: c min(c 1, 3) ns r * 4 c return ns, (1.0 if ns 15 else -0.01), ns 15 Q np.zeros((N, 4)) rng np.random.default_rng(0) for _ in range(EPISODES): s, done 0, False while not done: a rng.integers(4) if rng.random() EPS else int(np.argmax(Q[s])) # 探索与利用 ns, r, done step(s, a) # 终止状态没有后续价值乘 (0 if done else 1) 把这一项消掉 Q[s, a] ALPHA * (r GAMMA * Q[ns].max() * (0 if done else 1) - Q[s, a]) s ns print(np.round(Q.max(axis1).reshape(4, 4), 3)) # 每格的最优状态价值逻辑说明Q[s, a]记录“在状态 s 做动作 a 之后未来能拿到的折扣总收益”的估计。更新式是“新估计 旧估计 学习率 ×实际奖励 折扣后的下个状态最优价值 − 旧估计”括号里那项就是时序差分误差。EPS控制探索比例太小会早早在一条次优路径上收敛太大又学不稳。参数说明GAMMA0.9是折扣因子越接近 1 越看重长期收益路径规划类任务一般给 0.9 到 0.99ALPHA0.1是学习率大了震荡、小了收敛慢EPISODES是训练轮数网格小的时候几百轮就够跑完打印的价值矩阵应当呈现“越靠近终点值越高”的梯度如果不是先检查终止状态的项有没有正确消掉。3.4 超参怎么设把课件里的名词翻译成旋钮课件里的“参数”“超参数”两个词最容易混。参数是模型自己从数据里学出来的比如权重超参是你事先定的比如簇数、正则强度。下面这张表是我给新手班常用的对照照着改比盲试快。超参典型取值范围调大的后果什么时候动它正则强度倒数 C0.01 100过拟合风险上升训练集远好于测试集时往小调簇数 k2 10簇被切得过碎轮廓系数出现明显回落时停主成分方差阈值0.85 0.99保留噪声变多下游模型效果不再涨时就降折扣因子 gamma0.8 0.99更看重长期回报任务回报延迟很长时调高探索率 epsilon0.05 0.3训练不稳、收敛慢前期大后期衰减调参的顺序比范围更重要先固定切分方式再调模型复杂度最后才动预处理。反过来做你永远不知道指标变化是哪一步带来的。4. 大数据那部分落地预处理、Spark 本地跑通与规模边界课件讲大数据偏概念落到工程上其实就三件事数据怎么清洗成模型能吃的样子、分布式引擎怎么写第一行代码、什么规模下不该上分布式。这三件事按顺序做一遍通识课里那些“体量大、速度快、种类多”就不再是形容词。4.1 数据预处理与特征工程课件讲特性代码讲顺序预处理的顺序错了后面所有指标都不可信。正确顺序是先去重和修正类型再处理缺失再处理异常值然后切分训练测试集最后才在训练集上拟合标准化或编码器。下面这段演示完整顺序。# 预处理正确顺序清洗 - 缺失 - 异常 - 切分 - 编码与标准化 import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler df pd.read_csv(orders.csv) df df.drop_duplicates(subsetorder_id) # 先去重否则统计全被放大 df[amount] pd.to_numeric(df[amount], errorscoerce) # 类型不对的置为缺失 df[amount] df[amount].fillna(df[amount].median()) # 中位数抗极端值 df[city] df[city].fillna(unknown) # 类别缺失单独成一类 q1, q3 df[amount].quantile([0.25, 0.75]) iqr q3 - q1 df[amount] df[amount].clip(q1 - 1.5 * iqr, q3 1.5 * iqr) # 盖帽而非删除 train, test train_test_split(df, test_size0.2, random_state42) scaler StandardScaler().fit(train[[amount]]) # 只在训练集上拟合 train[amount_z] scaler.transform(train[[amount]]) test[amount_z] scaler.transform(test[[amount]])逻辑说明errorscoerce把无法转成数字的值变成缺失再统一填补避免一列里混着字符串和浮点。异常值用盖帽而不是删除是因为删除会改变样本分布尤其在风控、故障检测这类场景里异常点本身就是信号。标准化放在切分之后是为了让测试集的均值和方差完全不参与训练。参数说明1.5 * iqr是箱线图判定异常值的常规倍数业务上长尾明显时可以放宽到 3fillna用中位数而不是均值因为均值本身会被极端值拉偏类别缺失我习惯单列成unknown而不是用众数填填众数等于凭空造了一个大概率类别。4.2 用 Spark 本地模式跑一遍分组聚合分布式引擎的第一课不是集群是本地模式。它跑在你的笔记本上语法和执行计划和集群完全一致数据量小的时候用来验证逻辑最快。假设有一份事件日志字段是user_id, category, value, ts。# Spark 本地模式分组聚合验证逻辑再上集群 from pyspark.sql import SparkSession from pyspark.sql import functions as F spark (SparkSession.builder .appName(ai-intro-demo) .master(local[*]) # 用本机所有核心不连集群 .getOrCreate()) df spark.read.csv(events.csv, headerTrue, inferSchemaTrue) df df.dropna(subset[user_id, category]) # 主键缺失的行直接丢 result (df.groupBy(category) .agg(F.count(*).alias(cnt), F.avg(value).alias(avg_value), F.countDistinct(user_id).alias(uv)) .orderBy(F.desc(cnt))) result.show(10, truncateFalse) result.write.mode(overwrite).parquet(out/category_stat) # 列式存储下游读取快 spark.stop()逻辑说明master(local[*])表示用本机全部核心起一个本地调度器这一步决定了你不用改任何环境变量就能跑。groupBy加agg会被 Catalyst 优化器转成执行计划countDistinct涉及 shuffle数据倾斜时它是最慢的一步看执行计划能定位到具体阶段。写 parquet 而不是 csv是因为列式存储在只读部分列时能少扫大量数据。参数说明inferSchemaTrue会多扫一遍数据来推断类型小文件方便大文件建议显式给 schema 省一次扫描show(10)的第二个参数truncateFalse让长字符串不截断排查脏数据时必须加mode(overwrite)覆盖写重复跑不会报路径已存在。4.3 单机和集群的分界线在哪课件不会告诉你这条线但它是实际项目里最容易判断失误的地方。经验值是这样数据能完整放进单机内存的三分之一以内pandas 几乎总是更快因为 Spark 的启动开销和 shuffle 成本在小数据上完全体现不出来数据超过单机内存或者需要多机并行做长时间批处理才轮到 Spark。还有两个信号值得注意一是任务里出现大量宽依赖分组、去重、连接shuffle 会把数据在网络上重分布这时瓶颈不在计算而在网络和磁盘二是分区键分布极不均匀某个 key 的数据量远大于其他 key就会拖住整个阶段常见解法是给热点 key 加随机后缀打散后再聚合。我的建议是通识课阶段不要急着搭集群。把本地模式跑熟把执行计划看懂把 shuffle 出现在哪一步搞清楚比装一套三节点环境有用得多。真到要上集群那天这些认知会直接决定你排查问题是看代码还是看资源监控。5. 避坑与排查这套课最容易翻车的五个地方5.1 学完就忘把“了解”当“掌握”的信号与解法现象课上听完能复述三范式定义一周后让他写个分类脚本连数据怎么切分都要现查。原因通识课的信息密度是按“建立框架”设计的不是按“形成肌肉记忆”设计的。看和写调用的是两套记忆只看不写框架留不住细节。解决每看完一节强制产出一个不超过 50 行的脚本输入用内置数据集或自己造的几十行 csv输出必须是一个能打印出来的数字准确率、轮廓系数、平均奖励。写不出来就说明这节没懂回去只看那一节别往下翻。5.2 环境起不来Java 与 Python 解释器打架的排查顺序现象pip install pyspark成功了一执行就报找不到 Java 或者一串NoSuchMethodError。原因Spark 跑在 JVM 上Python 只是壳。本机没装 JDK、装了但没进PATH、或者 JDK 版本和 Spark 依赖的版本差太远都会在启动阶段直接失败。另外虚拟环境没激活就装包也会出现“明明装了却 import 不到”。解决按这个顺序查——先java -version确认 JDK 可用再echo $JAVA_HOME确认环境变量指向 JDK 根目录而不是bin然后which python确认当前解释器在虚拟环境里最后才看 pyspark 的报错栈。前四步能解决九成问题剩下那一成再去看具体异常类名。5.3 数据泄漏先标准化再切分线下分数虚高现象本地交叉验证 AUC 到 0.98上线一周掉到 0.7 出头团队找了一周模型问题。原因标准化、缺失填补、特征筛选这些步骤如果用全量数据拟合测试集的统计信息就渗进了训练过程。样本量小、特征维度高的时候这种泄漏能把指标抬高十几个点而且完全看不出来。解决把预处理全部塞进Pipeline让fit只在训练折上发生。做交叉验证时用cross_val_score(pipe, X, y)传管道而不是传已经处理好的矩阵。自查办法很简单把随机标签喂给整套流程如果还能跑出明显高于 0.5 的分数说明流程里一定有泄漏。5.4 本地 Spark 当集群用数据一上量就超时现象本地模式处理几百兆文件很顺换成几个 G 就卡死或者内存溢出。原因local[*]把驱动和执行器放在同一个 JVM 里内存上限就是你的笔记本collect()或toPandas()会把全部分区的数据拉到驱动端数据一大必炸。这不是代码写错了是运行模式选错了。解决先看数据规模再决定引擎能放进内存三分之一的直接 pandas。必须用 Spark 时去掉所有collect改用write落盘或者show(n)只看前若干行分区数按“每核 2 到 4 个分区”调别用默认值确实要上集群就把master换成集群地址代码逻辑不用改这也是本地模式最大的价值。5.5 指标选错不平衡数据里 accuracy 会骗人现象一个欺诈识别模型报告准确率 97%上线后一笔都没抓到。原因正样本只占 3%模型全判负类也能有 97% 的准确率。课件在评估那一页通常只提一句“准确率”实际项目里这个指标在类别不平衡时基本没有信息量。解决分类任务至少同时看精确率、召回率和 AUC。业务关心“漏掉多少”就看召回率关心“误伤多少”就看精确率两者都要就画 PR 曲线看曲线下面积。阈值也别用默认的 0.5按业务成本反推一个切点这一步在做完模型之后、上线之前必须做一次。6. 进阶用法用“一节一脚本”把通识课焊成可验收的技能这份课件的内容密度足够撑起一套自学路线缺的只是验收标准。我的做法是给它加一张三天自检表每格都必须有可打印的输出没有输出就不算完成。时间段对应课本章节验收产出判定标准第一天上午定义与历史、核心分支一张 AI 分支关系图能说清每条分支的输入、输出、评价指标第一天下午机器学习三范式三个不超过 50 行的脚本每个脚本都能打印出一个可解释的指标第二天上午大数据特性与平台本地 Spark 分组聚合结果能看懂执行计划里 shuffle 出现在哪一步第二天下午数据预处理与特征工程一份清洗前后对照表缺失率、异常值处理方式都能逐列说明第三天伦理与实战项目一页模型说明数据来源、覆盖人群、已知失效场景写全表格里最容易糊弄的是第二天下午那一格。清洗前后对照表要求你逐列写出“这列缺失多少、为什么这样填、填完分布有没有明显变化”做完这一遍你对数据的感觉会比看十页 PPT 都实在。另外给一个自检脚本用来确认环境是否具备跑完上面所有练习的条件。它不测模型只测依赖和版本兼容性跑通再往下走能省掉大量“报错找不到原因”的时间。# 环境自检依赖是否齐全、关键接口是否可用 import importlib, sys checks { numpy: array, pandas: DataFrame, sklearn: Pipeline, pyspark: SparkSession, } print(Python:, sys.version.split()[0]) for pkg, attr in checks.items(): try: mod importlib.import_module(pkg) getattr(mod, attr) # 确认关键对象存在而不是只装了空壳包 print(f[OK] {pkg}) except Exception as e: print(f[FAIL] {pkg} - {type(e).__name__}: {e})这段的意义在于把“装没装”升级成“能不能用”。空壳包、装错解释器、装了但缺编译依赖这三种情况import有时不报错取属性时才炸所以getattr那一步不能省。跑出来[FAIL]就先修环境别带着半残的环境去调模型那是最没性价比的排查。从那以后我每次拿到这类通识课件都会先挑一节写成脚本再往下翻因为只有屏幕上有输出我才知道自己是真的懂了还是只是看懂了。这份资料的价值不在它讲了多少名词而在于它给了你一条从概念走到动手的完整路径剩下的就是把每一节都变成一段能跑起来的代码。下载包里章节和实例演示是配套的照着上面的自检表走一遍比反复重看视频有效得多。希望帮到你。本文还有配套的精品资源点击获取