深度学习基础 Week1 机器学习入门
目录
摘要
机器学习作为人工智能的核心技术，通过数据驱动的方式让计算机自动学习规律，克服了传统编程在复杂场景下的局限性。本周学习了机器学习的基本概念、工作流程和优势（泛化能力、自适应优化），明确了其与普通数据分析的区别，同时梳理了人工智能、机器学习和深度学习的层级关系，并了解了监督学习、无监督学习等主要方法。本周构建了完整的机器学习知识框架，为后续学习奠定基础。
Abstract
As a core technology of artificial intelligence, machine learning enables computers to automatically learn patterns in a data-driven manner, overcoming the limitations of traditional programming in complex scenarios. This week, we learned the basic concepts, workflows and advantages of machine learning (generalization ability and adaptive optimization), clarified its differences from conventional data analysis, sorted out the hierarchical relationship among artificial intelligence, machine learning and deep learning, and got familiar with major approaches including supervised learning and unsupervised learning. A complete knowledge framework of machine learning has been established this week, laying a solid foundation for further study.
1简介
1.1机器学习简介
1.1.1 传统程序开发的局限性
在传统计算机编程模式中，解决问题的逻辑完全由人工定义：开发者观察业务规律，手动编写一套固定的规则、判断条件与计算公式，计算机仅严格按照给定代码执行运算。 公式逻辑：原始数据 + 人工编写固定规则 = 输出结果 这种模式存在明显短板：
- 面对复杂、无固定规则的场景（图像识别、自然语言、用户行为），人工无法穷举全部判断规则；
- 数据量越大，人工维护规则成本急剧升高，规则之间容易冲突；
- 系统不具备自适应能力，数据分布发生变化时，必须人工修改代码才能适配。
1.1.2 机器学习核心定义
机器学习是人工智能的核心子领域，专门研究让计算机不依赖完全人工定义规则，自主从数据中学习潜在规律的理论与算法。 它改变了传统编程逻辑，全新逻辑：大量数据 + 对应真实结果 + 学习算法 = 自动生成模型（内在规则） 模型就是机器通过数据学到的隐性规律，训练完成后，输入全新未知数据，模型就能自主给出预测、判断结果。
经典权威定义（阿瑟・塞缪尔）：机器学习是使计算机无需显式编程就能具备学习能力的研究领域。
1.1.3 机器学习的核心思想：泛化能力
机器学习最关键的目标不是记住训练时见过的数据，而是泛化—— 对从未见过的新样本做出准确判断。
- 仅记住训练数据：属于单纯 “记忆”，无实际应用价值；
- 捕捉数据通用内在规律：能够适配陌生新数据，才是机器学习的核心价值。
1.1.4 机器学习完整工作流程
- 数据采集：收集业务相关原始数据（文本、图片、表格、传感器数据等）；
- 数据预处理：清洗缺失值、异常值，统一数据格式，筛选有效特征；
- 数据集划分：分为训练集、验证集、测试集；
- 模型选择与训练：选用适配任务的算法，使用训练集迭代优化模型参数；
- 模型验证调参：利用验证集调整超参数，避免过拟合、欠拟合；
- 模型测试评估：使用未参与训练的测试集，检验模型泛化效果；
- 上线推理迭代：模型投入实际业务，持续收集新数据迭代优化。
1.1.5 机器学习的核心优势
- 适配复杂非线性场景：图像、语音、用户行为等人工难以总结规则的任务；
- 自适应数据变化：新增数据可重新训练更新模型，不用大规模改写代码；
- 降低人工成本：海量数据下，机器自动提取特征、总结规律，减少人工规则编写；
- 可量化优化：通过损失函数、评价指标量化模型好坏，持续迭代提升精度。
1.1.6 机器学习与普通数据分析的区别
- 普通数据分析：侧重对已有历史数据做统计、可视化，仅解释现有数据，无法预测未知样本；
- 机器学习：基于历史数据训练通用模型，核心作用是对未来、未知数据进行预测与判别，具备预测能力。
1.2人工智能、机器学习和深度学习关系
三者为包含层级关系，由大到小：人工智能 ⊃ 机器学习 ⊃ 深度学习
- 人工智能（AI）：最宽泛概念，泛指所有让机器模拟、延伸人类智能的技术（逻辑推理、视觉、语言、决策等），机器学习只是实现 AI 的其中一条路线。
- 机器学习（ML）：实现人工智能主流方法，依靠数据 + 算法训练模型，包含传统机器学习（SVM、决策树、线性回归等）。
- 深度学习（DL）：机器学习的子集，基于多层人工神经网络，依靠多层网络自动提取特征，无需人工设计特征，擅长图像、语音、文本等高维复杂数据。
层级比喻：
- 人工智能 = 想要造出会思考的机器
- 机器学习 = 让机器靠数据学会思考的方法
- 深度学习 = 机器学习里靠多层神经网络高效学习的先进技术
1.3应用场景
- 计算机视觉：人脸识别、自动驾驶图像识别、商品检测、医学影像诊断
- 自然语言处理：智能翻译、聊天机器人、文本分类、语音转文字、文章摘要
- 推荐系统：电商商品推荐、短视频 / 音乐个性化推送
- 金融领域：信贷风险评估、欺诈交易检测、股价预测
- 工业领域：设备故障预测、生产线质检、智能调度
- 日常生活：输入法联想、拍照美颜、导航路线规划、垃圾邮件过滤
2分类
2.1按学习方式分类
2.1.1监督学习
训练数据同时包含特征和标签（标准答案），模型学习输入到输出的映射关系，根据输出形式分为两类核心任务：
- 分类问题 输出为离散、有限的类别，用于判断样本归属哪一类。 举例：垃圾短信识别、人脸识别、商品品类判别、肿瘤良恶性判断。 细分：二分类（只有两类）、多分类（三类及以上）。
- 回归问题 输出为连续的数值，用于预测具体数值大小。 举例：房屋价格预测、销量预估、气温预测、用户收入预测。
2.1.2无监督学习
训练数据只有特征，无任何标签，机器自主挖掘数据内在结构、分组规律。
- 聚类：用户分群、图片相似分组
- 降维：PCA 数据压缩、特征简化
2.1.3半监督学习
少量带标签数据 + 大量无标签数据混合训练，降低标注成本，常用于数据标注昂贵场景。
2.1.4强化学习
智能体（Agent）在环境中不断交互，通过奖惩信号持续优化行为策略，目标最大化累计奖励。 典型：游戏 AI、机器人控制、自动驾驶决策。
2.2按学习算法分类
2.2.1传统机器学习算法
- 回归类：线性回归、逻辑回归
- 树模型：决策树、随机森林、XGBoost、LightGBM
- 距离 / 核方法：K 近邻 (KNN)、支持向量机 SVM
- 聚类算法：K-Means、DBSCAN
- 降维算法：PCA、LDA
2.2.2深度学习算法（神经网络类）
- 基础神经网络：多层感知机 MLP
- 计算机视觉：CNN 卷积神经网络、ResNet、YOLO
- 时序 / 文本：RNN、LSTM、Transformer、BERT
3基本术语
- 数据集：全部用于模型学习的数据，拆分三部分
- 训练集：模型拟合、学习规律
- 验证集：调超参数、筛选模型
- 测试集：完全 unseen，最终评估模型泛化性能
- 样本 / 实例：单一条数据（如一条用户记录、一张图片）
- 特征（自变量 X）：描述样本的属性，分为数值特征、类别特征
- 标签（因变量 Y）：监督学习中样本对应的真实结果
- 模型：算法训练后得到的映射函数，用于预测新样本
- 训练：使用训练集迭代更新模型参数的全过程
- 拟合：模型学习数据分布的过程
- 欠拟合：模型简单，训练、测试效果都差
- 过拟合：死记训练数据，训练集精度极高，测试集效果差
- 损失函数：衡量预测值与真实标签的误差，训练最小化损失
- 梯度下降：最常用优化算法，通过反向传播更新参数降低损失
- 泛化能力：模型在陌生新数据上的预测能力，机器学习核心追求
- 超参数：人工预先设定、不随训练更新的参数（学习率、树深度）
- 评估指标：衡量模型效果，分类用准确率、召回率；回归用 MSE、MAE
4总结
本周学习了机器学习的基础核心知识，涵盖基础概念、层级关系、应用场景、体系分类与专业术语，搭建起机器学习入门的完整知识框架。机器学习重理解、不重死记，核心是区分不同任务、算法的适用场景，而非机械背诵公式。理论必须结合实操，只学理论无法掌握数据处理、模型调优的核心技巧，实操是提升能力的关键。后续学习应该循序渐进，优先夯实传统机器学习基础，再进阶深度学习，避免本末倒置、基础薄弱。
更多推荐
4
0- 0
已为社区贡献10条内容
所有评论(0)