跳到主要内容

认识

2025年02月06日
柏拉文
越努力，越幸运

一、认识​

机器学习（Machine Learning, ML） 是人工智能（AI）的一个分支，核心思想是让计算机能够从数据中学习，然后在没有明确编程指令的情况下做出决策或预测。简单来说，机器学习是用算法来自动分析数据，找到模式，并基于这些模式进行推理。也可以说: 机器学习是对能通过经验自动改进的计算机算法的研究。例如：

  • 图片识别（如人脸识别、手写文字识别）

  • 语音识别（如Siri、智能语音助手）

  • 推荐系统（如抖音、YouTube、Netflix 的个性化推荐）

  • 自动驾驶（识别交通信号、行人等）

1.1 类型​

机器学习 的基本类型

  • 监督学习（Supervised Learning）: 有标注数据的学习方式，即训练数据由 输入（X）和输出（Y） 组成，模型通过学习输入和输出之间的关系来进行预测。比如: 图片分类（输入是图片，输出是类别）; 房价预测（输入是房屋信息，输出是房价）。常见的算法有: 线性回归（Linear Regression）、逻辑回归（Logistic Regression）、决策树（Decision Tree）、随机森林（Random Forest）、支持向量机（SVM）、深度学习（神经网络）

  • 无监督学习（Unsupervised Learning）: 没有标注数据，模型通过分析数据的内在结构来发现隐藏模式。比如: 聚类（Clustering）：如市场中的用户群体分析（K-means、DBSCAN）、降维（Dimensionality Reduction）：如数据可视化（PCA、t-SNE）

  • 强化学习（Reinforcement Learning, RL）: 基于奖励和惩罚机制，模型在不断尝试中学习最优策略。比如: AlphaGo 围棋 AI、游戏 AI（Deep Q-Learning）、机器人控制

1.2 流程​

机器学习的核心流程

  1. 收集数据（数据集）

  2. 数据预处理（清理、归一化、特征工程）

  3. 选择模型（如决策树、神经网络等）

  4. 训练模型（使用训练数据进行学习）

  5. 评估模型（测试数据验证模型效果）

  6. 优化模型（调整参数、改进算法）

  7. 部署应用（在实际业务中应用模型）