上一章：機器學習核心知識點目錄
下一章：機器學習02——模型評估與選擇
機器學習實戰項目：【從 0 到 1 落地】機器學習實操項目目錄：覆蓋入門到進階，大學生就業 / 競賽必備
文章目錄
- 一、參考書推薦
- 二、機器學習的基本概念
- （一）核心定義
- 三、機器學習的基本術語
- （一）數據相關術語
- （二）任務類型
- （三）學習類型（按樣本是否有標記）
- （四）泛化能力
- （五）歸納偏好
- 四、機器學習系統的基本流程
- 五、機器學習的發展歷程
- 六、機器學習的應用領域
- 七、機器學習的參考資源
- （一）學術會議與期刊
一、參考書推薦
- 《機器學習》，周志華著，清華大學出版社，2016.1（第一版第35次印刷，2020年11月）；
- 《機器學習理論導引》，周志華、王魏等著，機械工業出版社，2020.6；
- Machine Learning: A First Course for Engineers and Scientists，by Andreas Lindholm etc, Cambridge University Press, 2022。
二、機器學習的基本概念
（一）核心定義
機器學習致力于研究如何通過計算手段，利用經驗改善系統自身性能，其核心研究內容是從數據中產生“模型”的“學習算法”——即通過算法讓計算機從數據中學習規律，進而對新數據做出判斷或預測。
三、機器學習的基本術語
（一）數據相關術語
- 樣本：指待處理的個體，是機器學習的基本處理單位。
- 特性：指一類樣本構成的集合中所有樣本的共同屬性，也可理解為描述樣本的“特征”（如“瓜”的色澤、根蒂等）。
- 示例數據：文檔中以“瓜”為例，展示了包含編號、色澤、根蒂、敲聲、“好瓜”標簽的數據表格，其中“色澤”“根蒂”等是樣本的特征，“好瓜”是預測目標（標簽）。
（二）任務類型
根據預測目標的性質，機器學習任務可分為：
- 分類：預測離散值。例如“好瓜/壞瓜”屬于二分類，“冬瓜/南瓜/西瓜”屬于多分類；
- 回歸：預測連續值。例如預測“瓜的成熟度”（0-100的連續數值）；
- 聚類：無需標記信息，自動將樣本劃分為不同群體（如根據瓜的特征將其分為不同品類，無需提前定義“好瓜”“壞瓜”）。
（三）學習類型（按樣本是否有標記）
- 監督學習：使用帶標記的樣本（如已知“好瓜/壞瓜”標簽的數據），主要任務為分類和回歸；
- 無監督學習：使用無標記的樣本（如只有瓜的特征，沒有“好瓜”標簽），主要任務為聚類；
- 半監督學習：結合有標記和無標記樣本，適用于標記數據稀缺的場景（如少量已知“好瓜”標簽，大量未知標簽的瓜數據）。
（四）泛化能力
- 定義：指模型適用于“新樣本”的能力，而非僅在訓練數據上表現良好；
- 假設前提：通常假設樣本服從未知分布D，且樣本獨立同分布（i.i.d.）——即新樣本與訓練樣本來自同一分布，且相互獨立；
- 關鍵影響：一般來說，訓練樣本數量越多，越容易學到具有強泛化能力的模型（避免“過擬合”，即模型只記住訓練數據，無法應對新數據）。
（五）歸納偏好
- 定義：學習算法在選擇模型時對某種類型假設的“偏好”，可理解為算法的“價值觀”；
- 典型原則：“奧卡姆剃刀”是常用原則，即“若多個假設與觀察一致，選擇最簡單的那個”（如用直線擬合數據比用復雜曲線更優先，前提是兩者均符合訓練樣本）；
- 重要結論：“沒有免費的午餐”——不存在對所有問題都最優的算法，需根據具體問題選擇合適的歸納偏好。
四、機器學習系統的基本流程
機器學習系統的訓練過程主要包括以下環節：
- 信息獲取：通過傳感器將光、聲音等物理信息轉化為電信息（如將圖像、聲波、心電圖等轉化為計算機可處理的數據）；
- 預處理：對數據進行清洗和轉換，包括A/D轉換（模擬信號轉數字信號）、二值化、平滑、濾波、增強等，目的是去除噪聲、統一格式；
- 特征選擇：從原始特征中篩選出對預測任務最關鍵的特征（如判斷“好瓜”時，“根蒂”可能比“色澤”更重要）；
- 分類器設計：選擇或設計學習算法，基于處理后的 data 訓練模型（如用決策樹、神經網絡等算法訓練“好瓜判斷模型”）；
- 分類決策：用訓練好的模型對新樣本進行預測（如判斷一個未知瓜是否為“好瓜”）。
五、機器學習的發展歷程
機器學習的發展可大致分為三個階段，各階段核心方法如下：
- 推理期（20世紀60-70年代）：以符號主義學習為主，如決策樹、基于邏輯的學習（依賴手動設計規則）；
- 知識期（20世紀80-90年代）：連接主義學習（如早期神經網絡）和統計學習（如支持向量機、核方法）興起，開始結合數據驅動；
- 學習期（21世紀以來）：連接主義學習復興并發展為深度學習（深度神經網絡），依托大數據和算力突破，在復雜任務（如圖像、語音）中表現優異。
六、機器學習的應用領域
機器學習已廣泛應用于多個領域，包括：
- 識別任務：字符識別（印刷體/手寫體OCR）、指紋識別、人臉識別、車牌識別等；
- 醫療健康：心電圖/腦電圖分析、癌細胞識別、疾病診斷（如肝炎專家系統）；
- 環境與資源：遙感圖像處理（資源衛星、氣象衛星）、環保檢測（大氣、水源監測）；
- 工業與制造：產品質量自動檢測、智能制造；
- 人機交互：語音識別（如電話號碼自動查詢）、機器翻譯；
- 其他領域：智能交通、智慧農業、軍事應用等。
七、機器學習的參考資源
（一）學術會議與期刊
- 頂級會議：機器學習領域包括ICML、ICLR、UAI等；模式識別與計算機視覺領域有相關專業會議；
- 核心期刊：如IEEE Transactions on Pattern Analysis and Machine Intelligence、Journal of Machine Learning Research、Machine Learning（Elsevier）等。
上一章：機器學習核心知識點目錄
下一章：機器學習02——模型評估與選擇
機器學習實戰項目：【從 0 到 1 落地】機器學習實操項目目錄：覆蓋入門到進階，大學生就業 / 競賽必備
-單頁應用程序路由)
