機器學習概述
- 機器學習與人工智能、深度學習關系
- 什么是機器學習
- 數據集
- 算法
機器學習與人工智能、深度學習關系
什么是機器學習
機器學習是從數據中自動分析獲取模型，并利用模型對未知數據進行預測。
直觀理解:
所以是從歷史數據中獲取規律，那么這些歷史數據是怎么構成的呢？
數據集
結構：特征值+目標值
正式定義：
特征值與目標值
特征值（Features）：
描述數據的屬性（通常是多列），用X表示。
例如：房價預測中的面積、地段、房齡。
目標值（Target）：
模型要預測的結果（通常是單列），用y表示。
例如：最終的房價。
case：用“相親”比喻機器學習
假設你是一個相親網站的AI，任務是預測兩個人是否適合結婚。你需要收集數據并讓模型學習規律：
特征值（Features）：
就是模型的“輸入線索”，比如：
年齡、身高、收入、興趣愛好、學歷
相當于你作為媒人時，會問對方的“條件”。
目標值（Target）：
是模型要“猜”的結果，比如：
是否成功結婚（是/否）
相當于你最終看到的“相親結果”。
算法
一、監督學習（Supervised Learning）
核心思想：像老師教學生，給算法“標準答案”（即目標值y）去學習規律。
- 典型案例：
分類問題 → 預測類別
例：垃圾郵件識別（是/否）、癌癥診斷（惡性/良性）
回歸問題 → 預測數值
例：房價預測、股票價格
- 常用算法：
算法名稱 比喻 適用場景
線性回歸 用尺子畫最擬合的直線 房價趨勢預測
決策樹 連環問答式判斷 貸款審批
隨機森林 多個專家投票決策 電商用戶流失預警
SVM（支持向量機） 找最大間隔的分界線 圖像分類 - 關鍵特點：
必須有已標注的數據（即既有X也有y）
模型訓練后可以預測新數據的y值
二、無監督學習（Unsupervised Learning）
核心思想：像讓孩子自己整理玩具，沒有標準答案，算法自行發現數據中的模式。
- 典型案例：
-
聚類（Clustering） → 自動分組
例：用戶分群、新聞話題歸類 -
降維（Dimensionality Reduction） → 壓縮數據
例：3D數據可視化展示到2D
- 常用算法：
算法名稱 比喻 適用場景
K-Means 按距離劃分小組 市場客戶細分
PCA 提取最關鍵特征 人臉識別預處理
Apriori 找頻繁出現的組合 超市商品關聯推薦 - 關鍵特點：
只有特征值X，沒有目標值y
結果通常需要人工解讀意義
三、強化學習（Reinforcement Learning）
核心思想：像訓練小狗，通過“獎勵/懲罰”讓算法自己摸索最佳策略。
- 典型案例：
游戲AI（如AlphaGo）
自動駕駛決策
機器人控制
- 核心概念：
Agent（智能體）：學習的AI
Environment（環境）：交互的世界
Reward（獎勵）：行為的反饋信號
四、算法選擇流程圖
“ 報 errCode: 10008 的解決方案)
)
