机器学习简介

大笨象、小笨熊

已于 2025-06-04 16:56:02 修改

阅读量505

点赞数 4

分类专栏：笔记文章标签：机器学习人工智能

于 2025-06-04 16:54:25 首次发布

本文链接：https://blog.csdn.net/Jonton_Lee/article/details/148429924

版权

笔记专栏收录该内容

10 篇文章

订阅专栏

一、定义与核心原理

机器学习是人工智能的子领域，通过算法让计算机从数据中自动发现规律，并基于规律做出预测或决策。与硬编码规则（如传统编程中的if-else逻辑）不同，其核心在于数据驱动。例如信用卡欺诈检测系统通过分析百万条历史交易记录，自动学习正常消费与欺诈行为的特征差异。

与深度学习的区别：
        机器学习涵盖更广泛的算法（如决策树、支持向量机），而深度学习特指深层神经网络；
        传统机器学习依赖人工特征工程（如提取图像的颜色直方图），深度学习可自动学习特征；
        机器学习在中小规模数据上表现更高效（如用随机森林处理1万条销售数据），深度学习需要海量数据支持；

二、主要方法分类

监督学习（带标签数据）
        典型算法：线性回归（预测房价）、支持向量机（文本分类）
        运作流程：输入带标签的训练数据（如1000张标有"猫/狗"的图片）→ 模型学习映射关系 → 预测新图片类别
        应用场景：邮件垃圾过滤（准确率可达99%）、股票价格预测

无监督学习（无标签数据）
典型算法：K-means聚类（客户分群）、主成分分析（数据降维）
核心价值：发现数据内在结构，如电商平台通过用户浏览记录自动划分10类消费群体

强化学习（交互式学习）
        运作机制：智能体通过试错获取奖励（如AlphaGo自我对弈数百万局）
        应用突破：机器人控制（波士顿动力行走算法）、游戏AI（DOTA2击败人类冠军战队）