计算机操作基础

从核心概念到训练师实战

AI基础认知 · 第 07 课

面向 AI 训练师 / 数据标注 / 智慧图书馆应用

理解概念 · 掌握流程 · 连接岗位

为什么学习《计算机操作基础》？

本课把“计算机操作基础”放入 AI 训练师的真实工作流中，帮助你从概念理解走向可执行的项目实践。

痛点一：概念不清

只记住名词，无法判断它在数据、模型或项目流程中的作用。

痛点二：流程不稳

知道要做什么，却缺少可复用的步骤、模板和质量检查标准。

痛点三：应用脱节

无法把课堂知识迁移到智慧图书馆、多语种数据和真实标注任务中。

学习目标：把知识点转化为可执行、可检查、可交付的训练任务。

学习目标

01 理解

说清本课核心概念、适用场景与边界条件。

02 操作

掌握关键流程、常用工具和基础检查方法。

03 应用

能把本课方法迁移到数据标注、质检、模型评估或项目管理中。

概念

是什么→

流程

怎么做→

交付

如何验收

7.1 文件系统基础

操作系统常用命令对比：

7.2 文件目录结构规范

推荐的项目目录结构：

project_name/
├── data/           # 原始数据
│   ├── raw/        # 未处理
│   ├── processed/  # 已清洗
│   └── labeled/    # 已标注
├── config/         # 配置文件
├── tools/          # 工具脚本
├── output/         # 输出结果
│   ├── reports/    # 质检报告
│   └── stats/      # 统计分析
└── docs/           # 文档

7.3 标注工具概览

7.4 LabelStudio 基础操作

安装与启动：

pip install label-studio
label-studio

基本流程：

1. 创建项目 → 2. 导入数据 → 3. 配置标签 → 4. 标注 → 5. 导出

快捷键：

7.5 键盘快捷键提升效率

标注员的效率差距：

快捷键使用是标注效率提升的最大杠杆

7.6 数据格式基础：JSON

JSON（JavaScript Object Notation）：最常用的数据交换格式

{
  "id": "001",
  "text": "这家餐厅很好吃",
  "label": "positive",
  "annotator": "张三",
  "timestamp": "2025-01-15 10:30:00"
}

基本类型：字符串、数字、布尔值、数组、对象、null

7.7 数据格式基础：CSV

CSV（Comma-Separated Values）：表格数据最简格式

id,text,label,annotator
001,这家餐厅很好吃,positive,张三
002,服务态度很差,negative,李四
003,价格合理味道一般,neutral,王五

CSV 注意事项：

• 文本中含逗号需用引号包裹
• 编码统一为 UTF-8（处理中文、阿语）
• 第一行为列名（header）

7.8 数据格式基础：XML

XML（eXtensible Markup Language）：带结构的文本格式

<dataset>
  <item id="001">
    <text>这家餐厅很好吃</text>
    <label>positive</label>
    <annotator>张三</annotator>
  </item>
</dataset>

JSON 和 XML 可以互相转换，JSON 更轻量，XML 更结构化

7.9 格式转换实操

JSON ↔ CSV 转换：

import json, csv

# JSON 转 CSV
with open('data.json') as f:
    data = json.load(f)
with open('data.csv', 'w', newline='') as f:
    writer = csv.DictWriter(f, fieldnames=data[0].keys())
    writer.writeheader()
    writer.writerows(data)

这是四级训练师的必备技能，五级需要了解概念

7.10 课堂练习：文件操作实战

任务：

1. 创建一个标注项目的标准目录结构
2. 用记事本/编辑器创建一个简单的 JSON 标注文件（至少 3 条）
3. 将 JSON 文件转换为 CSV 格式

7.11 课后作业

基础题：

1. 列举三个常用的标注工具及其适用场景
2. JSON、CSV、XML 各有什么特点？

实践题：

1. 安装 LabelStudio，创建一个简单的文本分类项目
2. 用 LabelStudio 标注 10 条文本，导出并查看文件格式

动手实践

任务1： 按课堂演示步骤独立完成一次完整操作

任务2： 尝试处理一个不同的数据/场景

任务3： 总结操作中发现的问题和注意事项

案例讨论

智慧图书馆场景应用

本节课的方法如何在北二外图书馆中使用？

1. 需要准备什么数据？
2. 选择什么方法/工具？
3. 预期效果和可能挑战？

分组讨论3分钟

随堂测验

1. 本节课最核心的方法/概念是什么？
2. 该方法解决了什么具体问题？
3. 与传统方法相比有哪些优势？
4. 实际应用中需要注意什么？
5. 你能举一个生活中的例子吗？

常见错误

错误1：概念混淆 — 不同概念混合使用

错误2：步骤遗漏 — 操作不完整导致偏差

错误3：理解偏差 — 对原理理解不准确

本节课总结

花3分钟整理笔记

课后作业

必做：

1. 复述本节课核心内容
2. 完成课堂练习中的任务
3. 回答随堂测验问题

选做：

1. 查找一个真实行业案例
2. 应用到自己的项目中

📤 下次课前提交

考试实操 21：任务单

评分重点：过程可复现、结果可检查、异常有记录。

考试实操 22：样本表设计

要求：不得只写结论，必须写出判断依据或处理参数。

考试实操 23：小样本试跑

1. 从材料中抽取 5 条代表样本：计算机操作基础样本A：标准、清晰、可直接处理、计算机操作基础样本B：边界情况，需要查规则、计算机操作基础样本C：异常或争议，需记录原因 至少各覆盖 1 条。
2. 先手工完成 2 条，确认“计算机操作基础”的口径、字段、工具设置没有歧义。
3. 再执行：围绕“计算机操作基础”完成考试式实操：准备数据、执行处理、质检并交付。
4. 将错例写入 error_cases.csv，字段包含：样本ID、错误类型、修正依据、复核人。

小样本试跑不过关，不进入批量处理。

考试实操 24：操作步骤

Step 1

读取题目材料：压缩包、路径、软件版本、截图。→Step 2

围绕“计算机操作基础”完成考试式实操：准备数据、执行处理、质检并交付。→Step 3

提交：环境检查表 + 目录结构截图。

禁止操作：临时改标签、覆盖原始文件、不记录异常、只提交截图不交数据。

考试实操 25：质量检查清单

• 原始数据已备份，处理文件另存为新版本
• “计算机操作基础”相关规则已写入 README 或报告
• 至少抽检 10% 样本，且覆盖边界样本
• 指标检查：路径规范、文件命名、软件版本
• 所有异常样本都有编号、原因和处理意见

质检记录是考试给分点，不是可选项。

考试实操 26：错例分析

复盘要求：至少写 2 条错例及修正依据。

考试实操 27：智慧图书馆应用

场景

考试电脑文件整理与运行环境检查，服务对象为读者、馆员或科研团队。

数据

压缩包、路径、软件版本、截图，需注意来源、权限和个人信息。

处理

把“计算机操作基础”方法嵌入采集、标注、训练或评估流程。

验收

用 路径规范、文件命名、软件版本 判断是否达到交付要求。

考试实操 28：评分细则

满分答案通常包含：结果 + 过程 + 质检 + 复盘。

考试实操 29：提交包结构

第07课_计算机操作基础_考试提交包/
├── raw/              # 原始材料，只读保存
├── output/           # 环境检查表 + 目录结构截图
├── qc/               # 抽检表、错例表、指标计算
├── screenshots/      # 关键步骤截图
└── README.md         # 工具版本、步骤、结论、风险

检查：压缩包解压后，阅卷老师能按 README 复现主要结果。

考试实操 30：限时训练

10 分钟版

• 读题并建立 raw/output/qc 目录
• 处理 3 条样本：正常、边界、异常各 1 条
• 写出 1 条与“计算机操作基础”直接相关的边界规则

30 分钟版

• 按要求完成：围绕“计算机操作基础”完成考试式实操：准备数据、执行处理、质检并交付
• 做 10% 抽检并解释 路径规范、文件命名、软件版本
• 生成 环境检查表 + 目录结构截图

60 分钟版

• 批量处理 + 指标计算 + 质量报告
• 给出下一轮优化建议

大学生学习拓展：从通识到岗位：大学生为什么要懂AI训练

本页为大学生培训增强内容：把本课知识连接到真实校园、科研与就业场景。

拓展 1

AI不是一个单独软件，而是数据、算法、算力、场景共同构成的系统工程。

拓展 2

大学生要从“会用AI工具”升级为“能判断数据质量、模型边界和应用风险”。

拓展 3

本模块建立AI训练师职业认知，为后续标注、质检、建模和项目管理打基础。

知识加餐：本课在AI项目中的位置

课堂实训升级：从“听懂”到“做出来”

建议实训任务（五级/基础）

• 画出AI、机器学习、深度学习、大模型、智能体之间的层级图。
• 任选一个校园AI应用，说明它需要哪些数据、模型和评估指标。

交付物建议：数据文件 / 处理脚本 / 截图证据 / 1页说明 / 课堂展示。

工具链建议：国产模型 + 本地工具 + 可复现记录

数据与标注

Excel/WPS、Label Studio、CVAT、JSONL/CSV、抽样质检表。

模型与评估

Qwen、DeepSeek、BGE-M3、RAG、LoRA、F1/Recall/MRR等指标。

记录与展示

Jupyter、Markdown、Git/版本记录、PPT答辩、学习档案。

课堂讨论与课后反思

1. 本课内容如果用于智慧图书馆，会服务哪个具体场景？
2. 本课最容易出现的数据质量问题是什么？如何检查？
3. 哪些数据不能直接进入训练或评估？为什么？
4. 如何把本课成果放进个人作品集？
5. 如果你是项目负责人，本课对应的验收指标是什么？