本章目标
- 理解”机器学习“的基本概念
- 明白“机器学习 vs 传统编程 ”的核心区别
- 掌握三种主要任务类型：监督学习、无监督学习、强化学习
一、什么是机器学习
官方定义(偏学术)： 机器学习（Machine Learning, ML） 是人工智能的一个子领域，其核心思想是让计算机通过数据自动学习规律，并利用这些规律对未知数据进行预测或决策。
说人话版本： 想象你是一个小孩，刚开始不会骑自行车。你摔倒了几次后，慢慢摸索出了“怎么保持平衡、怎么踩踏板”。这个过程就是你在“从经验中学习”。 机器学习也是一样：我们给它很多“经验”（也就是数据），它自己从中找出规律，然后就能帮我们做判断或者预测了。
二、机器学习 vs 传统编程
1.传统编程是怎么工作的？ 在传统编程中，我们写好一套规则（代码），然后把输入数据丢进去，程序按照规则处理之后输出结果。
举个例子：你想做一个计算器，计算两个数的加法。
无论你输入什么数字，它都按“+”来算。
2.机器学习是怎么工作的？
机器学习反过来：我们给它一堆“输入 + 正确答案”，它自己去学出一个规则（模型），然后用这个规则去预测新数据的结果。
再举个例子：你想做一个识别猫狗图片的程序。
- 在传统编程里，你要写几百条规则：“如果耳朵尖是三角形、毛色是黄色、尾巴卷曲……那就是狗”，这几乎不可能。
- 在机器学习里，你只需要告诉它：这是猫，这是狗。训练多了，它就学会了区分。
三、机器学习的主要任务类型
机器学习的任务有很多种，但最基础的三大类是： 1.监督学习（Supervised Learning） 定义： 我们给算法的数据中，每一个样本都有明确的答案标签（Label） ，模型要学习的是“输入 → 输出”的映射关系。
常见任务：
- 分类（Classification）：比如判断一封邮件是不是垃圾邮件
- 回归（Regression）：比如预测房价、温度等连续数值
说人话版本 你教孩子认识动物，你指着一只猫说：“这是猫”，指着一只狗说：“这是狗”。这样教多了，他以后看到新的动物也能猜出是什么。
2.无监督学习（Unsupervised Learning）
定义：
我们只提供输入数据，不提供标签 ，模型需要自己发现数据中的结构或模式。
常见任务：
- 聚类（Clustering）：比如将用户分成不同的群体
- 降维（Dimensionality Reduction）：比如压缩图像数据
说人话版本 你给孩子一堆玩具，没有告诉他哪个是车、哪个是积木，他自己开始分类：“这个会动，这个不会动”，这就是他在自己找规律。
3.强化学习（Reinforcement Learning） ** 定义：** 模型通过与环境互动不断尝试，获得反馈（奖励或惩罚），从而学会做出最优决策。
常见任务：
- 游戏 AI（如 AlphaGo）
- 自动驾驶
- 机器人控制
说人话版本 你让孩子玩一个游戏，他一开始乱按按钮，后来发现“按 A 就得分，按 B 就扣分”，于是他学会了只按 A。
###阅读书籍推荐
《机器学习》——周志华（西瓜书）
热门评论
2 条评论
回复