经典机器学习17 章节
机器学习概览与通识
监督学习算法
端到端项目实战
核心导读
建立机器学习宏观全景认知，用通俗生活实例厘清传统编程与 ML 的本质区别，明确 AI、机器学习、神经网络与深度学习的包含关系，掌握监督学习、无监督学习两大任务范式。
1. 问题导入：为什么需要机器学习？
Tip
前置知识指引：在开始机器学习全景之旅前，建议先复习基础模块中的 03. 概率论与数理统计。
在传统软件开发中，如果我们要编写一段程序来判断一封邮件是否是“垃圾邮件”，工程师通常会手写很多 if-else 条件规则：
python
# 传统编程方式：人工硬编码规则
if "免费领奖" in email_text or "点击链接" in email_text:
return "垃圾邮件"
但这种方式很快就会遇到瓶颈：发垃圾邮件的人会不断变幻文案（比如写成“免 费 领 奖”或“微 信号”）。如果我们穷尽逻辑手写成千上万条规则，代码将变得臃肿不堪且极其脆弱。
机器学习 (Machine Learning, ML) 带来了全新的思考方式：不再由人类手工编写死规则，而是把海量的邮件样本和标签交给计算机，让计算机自己去学习并找出规律！
点击放大查看图：传统编程VS人工智能
2. 学习目标
完成本章学习后，你将能够：
- 明确区分传统编程与机器学习的根本思想差异；
- 准确画出 人工智能 (AI)、机器学习 (ML)、神经网络/深度学习 (DL) 以及 大语言模型 (LLM) 的层级包含关系；
- 掌握判定一个业务场景是否适合使用机器学习的 3 步法则；
- 清楚区分监督学习（Supervised）与无监督学习（Unsupervised）的基本概念；
- 明确机器学习两大核心任务：回归 (Regression) 与 分类 (Classification) 的区别。
3. 全景图：AI、机器学习与深度学习的关系
很多初学者容易混淆 AI、机器学习、神经网络、深度学习和 ChatGPT 大模型。实际上，它们是一层层嵌套的包含关系：
点击放大查看图：AI 与机器学习包含关系层级图
核心术语包含关系解密
- 人工智能 (AI)：最广阔的愿景，指所有能表现出智能行为的计算机系统（包含早期的专家系统与逻辑推理）；
- 机器学习 (ML)：实现 AI 的核心方法。强调通过数据训练来改善性能，而不是硬编码规则；
- 深度学习 (DL)：机器学习的一个重要分支，专门指使用多层神经网络来学习数据复杂特征的技术；
- 大语言模型 (LLM)：深度学习在自然语言处理领域的最新突破（如 ChatGPT、Claude），基于 Transformer 神经网络架构。
4. 什么时候适合使用机器学习？
机器学习并不是解决所有问题的“万能银弹”。在决定使用 ML 之前，请用以下 3 步法则进行判断：
机器学习适用性 3 步判断法则
- 第一步：规则是否极其复杂？
如果逻辑很简单（如“消费满 100 元打 9 折”），直接写
if-else或 SQL 查询更高效、更稳定，根本不需要机器学习；如果规则极难用语言总结（如辨别手写数字、识别图片中的猫狗），才适合机器学习。 - 第二步：是否有充足且高质量的数据？ 机器学习是“以数据为食”的。如果没有积累历史数据，模型就无法学习。
- 第三步：是否允许概率性容错？ 机器学习输出的是概率与预测统计值，无法保证 100% 绝对精确。如果业务要求零容错（如银行账务对账），应当优先使用传统精确算法。
5. 机器学习的 3 大基本范式
根据训练数据中是否包含“标准答案”（标签 Label），机器学习主要分为三大范式：
React Flow 拓扑流程图
自适应框体与缩放5.1 监督学习 (Supervised Learning)
- 概念：训练数据中包含“输入特征 ”和“标准答案/标签 ”。模型的目标是学习一个映射关系 ；
- 通俗比喻：就像学生做有参考答案的刷题集，做完后对照标准答案纠错；
- 典型应用：预测房价、判断垃圾邮件、人脸识别。
5.2 无监督学习 (Unsupervised Learning)
- 概念：训练数据中只有“输入特征 ”，没有标准答案标签 。模型的目标是自动发现数据内部的潜在结构与聚类分组；
- 通俗比喻：给孩子一堆不同形状的积木，不给说明书，让他自己按颜色或形状归类；
- 典型应用：电商用户群体画像划分（聚类）、数据降维可视化。
5.3 强化学习 (Reinforcement Learning)
- 概念：智能体 (Agent) 在环境中采取行动，根据环境给予的“奖励 (Reward)”或“惩罚”不断调整策略；
- 典型应用：AlphaGo 围棋、自动驾驶、游戏 AI（如王者荣耀 AI）。
6. 核心任务区分：回归 (Regression) vs 分类 (Classification)
在本书接下来的学习中，我们将重点攻克监督学习。监督学习旗下有两大最核心的任务类型：
React Flow 拓扑流程图
自适应框体与缩放回归与分类核心对比卡片
| 维度 | 回归任务 (Regression) | 分类任务 (Classification) |
|---|---|---|
| 输出目标 | 连续数值（任意实数） | 离散类别（有限的标签集合） |
| 典型生活实例 | 预测房屋价格（如 352.5 万元）、预测明日气温（如 26.8°C） | 判断邮件类型（垃圾 / 正常）、判断肿瘤（良性 / 恶性） |
| 开篇算法案例 | 01. 线性回归 (Linear Regression) | 02. 逻辑回归 (Logistic Regression) |
7. 本节检查清单 (Checklist)
- 我理解传统编程与机器学习的本质区别（人工写规则 vs 从数据自动学规则）；
- 我能画出 AI、机器学习、深度学习和大语言模型的层级包含图；
- 我能用 3 步法则判断一个业务场景是否适合使用机器学习；
- 我理解监督学习（有标签）与无监督学习（无标签）的区别；
- 我能清晰区分回归任务（预测连续数值）与分类任务（预测离散类别）。
8. 课后互动自测
01. 机器学习通识与全景图 课后互动自测
共 3 道精选测试题 · 答题进度已自动保存
已完成:0 / 3
1 / 3
单选题
下列关于人工智能 (AI)、机器学习 (ML) 和深度学习 (DL) 关系的说法中，正确的是哪一项？
1 / 3
9. 下一步与相关章节
- 下一章推荐：学习 02. 机器学习极简五步法，看看从拿到数据到训练出可用模型到底需要经历哪 5 个标准步骤！
- 相关前置与扩展阅读：
- 01. 向量与线性代数：理解矩阵、特征向量与高维空间运算
- 02. Pandas 数据分析：掌握 DataFrame 数据清洗与特征提取技巧
本页目录
1. 问题导入：为什么需要机器学习？
2. 学习目标
3. 全景图：AI、机器学习与深度学习的关系
4. 什么时候适合使用机器学习？
5. 机器学习的 3 大基本范式
5.1 监督学习 (Supervised Learning)
5.2 无监督学习 (Unsupervised Learning)
5.3 强化学习 (Reinforcement Learning)
6. 核心任务区分：回归 (Regression) vs 分类 (Classification)
7. 本节检查清单 (Checklist)
8. 课后互动自测
9. 下一步与相关章节
核心公式符号表
X特征 (Feature)：输入模型的已知属性向量，如房屋面积、房间数
y标签 (Label)：模型需要预测的真实目标，如房屋价格
f(X)预测模型 (Model)：机器学习自动构建的函数，输入特征 X 输出预测值