当前位置：首页 > news >正文

【证书】2025公益课，人工智能训练师-高级，知识点与题库（橙点同学）

news 2025/6/9 9:27:31

文章目录

- 1、课程与考试介绍
- 2、知识点总结
- - 2.1 知识点大纲
  - 2.2 重点知识内容解析
  - 2.3 课程例图
- 3、题库
- - 3.1 单选题
  - 3.2 判断题
  - 3.3 多选题

1、课程与考试介绍

认证信息
对文本生成算法有简单的了解，通过学习可以知道算法是如何生成文本生成内容的。学习语音识别，ASR模型的特点及如何调优模型；TTS的特点，语音合成中常见的问题及如何调优，掌握意图识别和分类算法的应用场景，如何对模型效果进行评测。

考试条件：本认证的教学课程均学完 100% 的小节

智能语音分享-语音合成TTS
总计 1 节，你已学完 1 节，达到考试条件需要学完 1 节
智能语音分享-语音识别ASR
总计 1 节，你已学完 1 节，达到考试条件需要学完 1 节
文本生成的原理与应用
总计 1 节，你已学完 1 节，达到考试条件需要学完 1 节
意图识别和分类算法
总计 1 节，你已学完 1 节，达到考试条件需要学完 1 节

在这里插入图片描述

2、知识点总结

2.1 知识点大纲

一、知识点大纲

1. 数据质量与标注

数据质量的关键要素
正负样本平衡的重要性
标签构建原则（业务相关性、正负样本均衡）
噪音数据对模型的影响

2. 语音处理技术（ASR/TTS）

ASR（语音识别）的错误类型（替换/删除/插入错误）
TTS（文本转语音）的核心模块（文本归整、获取读音、停顿模型）
TTS常见错误（读音错误、停顿错误）
SSML（语音合成标记语言）的作用与标准

3. 模型评估指标

准确率（Accuracy）与精准率（Precision）的计算
召回率（Recall）的公式与应用场景
字符错误率（CER）的计算方法

4. 分类任务类型

二分类、多分类、多标签分类的区别
多标签分类的典型场景（用户画像、文本标签）

5. 分词与文本处理

正确分词规则（如地名拆分）
文本正则化（数字转汉字、符号处理）

6. 模型训练与优化

数据量与质量的权衡（高质量数据优先）
声学模型在口音优化中的作用
方言模型构建的底层逻辑（词典建设）

2.2 重点知识内容解析

二、重点知识内容解析

1. 数据质量与标注

核心要点：
- 高质量数据需具备准确性、全面性、代表性，避免噪音和错误标签。
- 样本平衡：同一模型中训练数据的样本需均衡，否则易导致过拟合或欠拟合。
- 标签构建：需结合业务知识，正负样本均需充足，标签范围不宜过小（易过拟合）或过大（缺乏针对性）。
典型例题：
- 提升数据质量的方法包括无噪音数据、样本平衡、负向样本丰富（答案：D.以上都是）。
- 构建数据标签时需考虑业务属性（答案：C）。

2. 语音处理技术（ASR/TTS）

ASR错误类型：
- 替换错误：识别结果中字错误（如“排球”→“拍球”）。
- 删除错误：识别结果缺失实际语音内容（如漏读“天”字）。
- 插入错误：识别结果多出无关内容（如额外添加“哦”）。
TTS核心模块：
- 文本归整模块：负责数字转汉字（如“2岁”→“两岁”）、符号处理。
- 获取读音模块：直接影响发音准确性，是TTS读音错误的主要来源。
- SSML：通过格式化标记控制语音合成的语速、语调、音量等，属于W3C语音接口框架。
典型例题：
- TTS中数字转汉字属于文本归整模块（答案：A）。
- ASR中“实际语音有、识别结果无”属于删除错误（答案：A.正确）。

3. 模型评估指标

计算公式：
- 准确率（Accuracy） = 预测正确数 / 总数据量 × 100%
- 精准率（Precision） = 预测正确数 / 预测有结果数 × 100%
- 召回率（Recall） = TP / (TP+FN) （TP：真正例，FN：假反例）
- 字符错误率（CER） = 错误字符数 / 总字符数 × 100%，插入错误可能导致CER超过100%。
典型例题：
- 总数据10条，预测正确5条，准确率50%；预测有结果6条，精准率83.3%（答案：A）。
- 标注文本10字，错误4字，CER=40%，字准确率=60%（答案：A）。

4. 分类任务类型

区别对比：

分类类型	定义	示例
二分类	样本分为两类（非此即彼）	垃圾邮件判别（是/否）
多分类	样本分为多个互斥类别（仅属其一）	情绪识别（愤怒/高兴/平静）
多标签分类	样本可同时属于多个类别	新闻标签（体育、C罗、欧冠）

典型例题：
- 书箱分类（同时有“出版社、语言、内容类型”标签）属于多标签分类（答案：C）。
- 用户画像包含多个维度标签（如年龄、性别、兴趣），属于多标签分类（答案：A.正确）。

5. 分词与文本处理

规则要点：
- 地名分词需保持完整性（如“南京市长江大桥”→“南京市/长江大桥”，答案：B）。
- 文本正则化需避免读音错误（如“二岁”→“两岁”，答案：A）。

6. 模型训练与优化

核心原则：
- 数据质量优先于数量：低质量数据量增加可能引入更多噪音（答案：B）。
- 口音与方言处理：
  - 重口音可通过加强声学模型训练改善。
  - 方言模型需从底层词典建设开始，涉及词汇、语法多层面，仅优化声学模型不足（答案：D）。

2.3 课程例图

1、智能语音分享-语音合成TTS—玉环

人机对话
TTS流程
TTS vs ASR：
TTS跟ASR正好是反向的，ASR输入的是语音，输出的是文字，而TTS的话他输入的是文字，输出的是语音
除了这个是相反的之外还有另外一个也是相反的，我们还是来看一下这个NR系统，之前讲ASR的时候也有讲到过，策略后面会有一个TTS的分支、现在TTS较我的应用场景会在一些IWR系统的语音提示、导航，有声朗读这些场景。
ASR的模型识别的是所有说普通话的语音，他不对人做区别，而TTS是反过来的，TTS是一个千人千面的东西，每一个人的声音就跟我们的指纹一样，它都是有自己特点的，什么决定了一个TS最基础的东西，就像人的基因一样，如果你选择了一个声优，你选择了一个他的录音方式，比如说你把自己当成客服把这些话念一遍，或者你把自己当成小学语文老师在教学生，把这个课本念一遍，当这些东西确定了之后，我们采集的录音生成的TTS模型他就不再具有可变性了。

2、智能语音分享-语音识别ASR—玉环

ASR
ASR模型系统有两部分
声学模型(acoustics model，简称am)和语言模型(language model，简称lm)
这两部分从字面上也可以理解:
1）声学模型：的声学指的是我们听到的声音，发的是什么样的音，例如是"ni"的音还是"wo"的音等等
例如(以拼音表示为例):wo shi yi ge xiao xue sheng(“我是一个小学生”的声音)
2）语言模型：的语言可以理解为一个句子(上下文)的通顺度，语义是否完整或者是否能够理解
例如:我试一个晓雪升/我是一个小学生

3、文本生成的原理与应用—时生

文本生成，一般是怎么做的
概率统计–基于统计的语言生成
无脑黑盒·–基于神经网络的语言生成
有迹可循–依据规划的语言生成
理解常识–融合知识的语言生成
有哪些常见的任务
机器翻译
文本摘要
故事生成
对话生成
多模态生成
怎么衡量生成的好坏–自动化
BLEU: 精准率，生成的ngrams有多少是对的
ROUGE: 召回率，生成的ngrams有多少是参考答案想要的
METEOR: 精准率&召回率
Distinct: 语言多样性，生成的不同ngrams占所有ngrams的比例
Self-BLEU: 语言多样性，生成句之间BLEU相似度
PPL(困惑度): 语言有序性，与语言模型生成概率的熵成正相关，增困惑度增，越无序;熵减困惑度减，越有序

4、意图识别和分类算法—桂月

算法工程师
智能客服训练系统
1、规则与算法模型适用场景
规则适合场景：逻辑清晰、边界明确的简单任务，如电商满减、银行年龄限制；需强解释性的场景，像医疗诊断标准；数据量少或对实时性要求高的场景，如设备实时报警。
算法模型适合场景：处理复杂、非线性关系问题，如金融诈骗检测；应对动态变化的业务，如推荐系统；在数据丰富且追求高精度的场景中，如自动驾驶、精准营销。
2、分类模型训练数据量影响因素
问题复杂度：类别越多、问题越复杂，所需数据量越大。
特征维度：特征数量增加，数据量需指数级增长以避免维度灾难。
模型复杂度：复杂模型参数多，需大量数据防止过拟合。
数据质量：低质量数据需更多样本降低噪音影响。
业务容错：容错成本低的业务可用较少数据，反之则需大量数据保障准确性。
3、意图识别模型需要负向样本的原因
负向样本用于明确意图边界，避免模型将无关问题误判为目标意图；平衡样本分布，防止模型偏向多数类；提升模型泛化能力，使其能区分相似但不同的问题。
若缺乏负向样本，模型会过度泛化，准确率降低，易将包含部分关键词的问题误判；难以识别新意图，遇到未见过的负向意图容易出错；还会加剧样本失衡问题，导致模型预测失去实际价值。