【机器学习】（一）机器学习入门概念

一、什么是机器学习机器学习 让计算机从数据里自己学会规律而不是靠人一行行写死规则。传统编程人写规则 → 输入数据 → 输出结果机器学习给数据 给答案 → 机器自己学规则 → 以后自己预测新数据就像教小孩你给他看很多猫和狗的图片数据告诉他哪个是猫哪个是狗答案他看多了就会自己认。二、第一个维度按「学习方式」分类这是机器学习最核心、最顶层的分类。1. 监督学习Supervised Learning有老师教有标准答案。给机器输入 正确答案机器任务学会映射关系以后自己预测典型任务分类图片是猫还是狗邮件是不是垃圾回归明天温度多少房价多少例子给 1000 张带标签的图片猫 / 狗→ 训练 → 新图片自动识别。2. 无监督学习Unsupervised Learning没有老师没有标准答案机器自己找规律。给机器只有数据没有标签机器任务自动分组、找结构、降维典型任务聚类把相似用户分成一群异常检测找出奇怪交易降维把复杂数据变简单例子淘宝不知道你喜欢啥但根据你的浏览记录自动把你和 “相似品味的人” 聚在一起 → 推荐商品。3. 强化学习Reinforcement Learning像训练小狗做对有奖做错被罚不断试错变聪明。没有直接答案只有奖励信号智能体在环境里不断尝试 → 获得奖励 → 调整策略典型任务AlphaGo机器人走路自动驾驶决策游戏 AI动态推荐系统特点追求长期最优不是单次正确。三、第二个维度按「模型结构 / 复杂度」分类这是技术实现方式不是任务类型。1. 深度学习Deep Learning用多层神经网络模拟人脑结构的机器学习。特点层数多深自动提取特征不用人手工设计适合图像、语音、文本这种复杂数据需要大数据 算力典型模型CNN图像、RNN/LSTM/Transformer文本语音、GPT、Stable Diffusion 都是深度学习。2. 非深度学习传统机器学习不用深层神经网络用简单数学模型。常见算法逻辑回归决策树 / 随机森林SVMK-Means朴素贝叶斯特点速度快数据少也能用需要人手工提取特征比如自己设计图片边缘、纹理特征四、第三个维度按「应用领域」分类这是用来解决什么问题和前面两个维度完全不冲突。1. 计算机视觉CV让机器 “看懂” 图像 / 视频图像分类目标检测人脸识别分割OCR 文字识别2. 语音算法让机器 “听懂 / 说出” 声音语音识别 ASR语音合成 TTS声纹识别语音降噪3. 自然语言处理NLP让机器理解人类语言翻译情感分析问答摘要GPT 类大模型4. 推荐算法给用户推荐东西电商推荐短视频推荐音乐推荐广告点击率预测5. 其他领域风控欺诈检测医疗影像自动驾驶量化交易等等五、核心问题这三个维度可以自由排列组合吗结论可以组合而且本来就是组合使用的但不是 “乱组合”是逻辑上的叠加。你可以理解成应用领域 你要去的地方学习方式 你用什么方式学模型结构 你开什么车去三者互不冲突可以任意合理搭配。六、大量真实组合例子一看就懂计算机视觉监督学习 深度学习 → CNN 图像分类监督学习 传统机器学习 → SVM 分类老方法无监督学习 深度学习 → 图像聚类、自编码器强化学习 深度学习 → 视觉导航、机器人抓握推荐算法监督学习 传统机器学习 → LR/GBDT 预测点击率监督学习 深度学习 → DeepFM、NeuralCF无监督学习 → 协同过滤、用户聚类强化学习 深度学习 → 抖音 / 快手实时推荐语音识别监督学习 深度学习 → 主流 ASR无监督学习 → 语音特征聚类自然语言处理监督学习 深度学习 → BERT、文本分类无监督 深度学习 → 词向量、预训练强化学习 深度学习 → ChatGPT 类对话优化强化学习本身可以用深度学习 → DQN、A2C、PPO深度强化学习也可以不用深度学习 → 表格型 Q-learning七、用最简单的一句话总结整个体系监督 / 无监督 / 强化学习决定怎么学深度学习 / 非深度学习决定用什么模型学视觉 / 语音 / 推荐 / NLP决定解决什么问题三者是三个独立维度可以自由、合理地组合现实中所有 AI 系统都是这么搭出来的。