机器学习（Machine Learning, ML）
机器学习（Machine Learning, ML）是人工智能（AI）的核心分支，致力于通过数据和算法让计算机系统自动“学习”并改进性能，而无需显式编程。以下是关键点总结：
核心概念
- 1.定义
通过从数据中识别模式或规律，构建数学模型（如神经网络、决策树），使计算机能完成预测、分类、聚类等任务。
- 2.与编程的区别
- •传统编程：人工编写规则处理输入→输出。
- •机器学习：输入数据+输出结果→算法自动生成规则（模型）。
主要类型
- 1.监督学习（Supervised Learning）
- •任务：预测或分类（已知输入-输出的对应关系）。
- •例子：垃圾邮件识别（输入邮件→输出“垃圾/非垃圾”）。
- •常用算法：线性回归、支持向量机（SVM）、深度学习。
- 2.无监督学习（Unsupervised Learning）
- •任务：发现数据内在结构（无标签数据）。
- •例子：客户分群、异常检测。
- •常用算法：K均值聚类、主成分分析（PCA）。
- 3.
强化学习（Reinforcement Learning）
- •任务：通过试错优化决策（如游戏AI、自动驾驶）。
- •机制：智能体根据环境反馈（奖励/惩罚）调整策略。
典型流程
- 1.数据准备
- •收集、清洗数据（处理缺失值、异常值）。
- •特征工程（提取关键特征，如将文本转为词向量）。
- 2.模型训练
- •选择算法（如随机森林、神经网络），用训练数据拟合模型。
- 3.评估与优化
- •测试模型性能（如准确率、F1分数），调参或改进数据。
- 4.部署应用
- •模型嵌入实际系统（如推荐系统、医疗诊断）。
应用场景
- 自然语言处理（NLP）：ChatGPT、翻译。
- 计算机视觉：人脸识别、医学影像分析。
- 推荐系统：电商平台（如亚马逊、淘宝）。
- 预测分析：股票价格、天气 forecast。
为什么重要？
- 自动化：处理海量数据，减少人工规则设计。
- 适应性：模型可随新数据动态优化（如用户行为变化）。
- 跨领域：从科研（基因研究）到日常（语音助手）均有应用。
扩展资源
- 工具：Python（Scikit-learn、TensorFlow/PyTorch）。
- 学习路径：统计学基础→线性代数→实践项目（Kaggle竞赛）。
机器学习正重塑各行各业，理解其原理是进入AI领域的基石。