在大模型时代，AI 工程师仍需掌握传统机器学习知识，这不仅是技术互补的需求，更是应对复杂场景和职业发展的关键。以下从必要性和学习路径两方面展开分析：
一、传统机器学习在大模型时代的必要性
-
技术互补性
大模型（如GPT、BERT）擅长处理复杂语义和生成任务，但在数据量少、可解释性要求高或资源受限的场景中表现有限。例如，医疗诊断需要模型解释决策逻辑以辅助医生判断，传统决策树或SVM可提供清晰的特征权重和规则路径。此外，传统方法在特征工程、数据预处理（如聚类清洗离群点）和小数据场景（如药物研发中的百例样本）中仍有重要应用价值。 -
理论基础与工程实践
传统机器学习的数学框架（如统计学习、优化理论）是理解深度学习的基石。例如，梯度下降、正则化等概念贯穿所有机器学习领域，而传统模型的偏差-方差权衡分析能帮助工程师优化大模型的泛化能力。在工程实践中，传统方法常作为大模型的前置或后置处理环节，例如用决策树进行特征选择以减少大模型的输入维度，或用逻辑回
)
