【概念地基-2】机器学习是什么：从"写规则"到"学规律"

2026-10-02 · 分类：概念地基

这一节点回答：机器学习到底是什么

这一节点回答：机器学习到底是什么？和传统的"写规则"有什么不一样？机器是怎么从数据里"学到"东西的？

关键判断：机器学习的核心不是"人告诉机器怎么做"，而是"机器自己从数据里找出怎么做"。 这是 AI 和传统软件最本质的区别。

一句话结论：机器学习 = 给机器很多数据和答案，让它自己找出输入和输出之间的规律。 学会了这个规律，遇到新数据它就能自己预测答案。

传统编程 vs 机器学习
  传统编程：人写规则 → 数据 + 规则 → 答案（人把一切都想好了）
  机器学习：数据 + 答案 → 机器学出规则（机器自己找规律）

① 一个例子搞懂机器学习：识别猫和狗

传统编程的做法：人写一堆规则——"尖耳朵的是猫""长嘴巴的是狗""体型大的是狗"……
- 问题：规则写不完！有的狗耳朵也尖，有的猫体型也大，例外太多了
机器学习的做法：给机器看 10000 张猫的照片 + 10000 张狗的照片，告诉它哪些是猫哪些是狗
- 机器自己从这 20000 张照片里找出"猫和狗有什么不一样"
- 学会了之后，给它一张新照片，它就能自己判断是猫还是狗

这就是机器学习的魔力——有些事人不知道怎么写规则，但机器能从数据里自己学出来。

② 机器学习的三要素：数据、模型、训练

数据（Data）：机器的"教材"——没有数据，机器什么也学不到
- 数据质量直接决定了 AI 上限——"垃圾进，垃圾出"
- 数据要足够多、足够多样、足够准确
模型（Model）：机器的"大脑结构"——用来学习和预测的数学结构
- 模型有很多种：线性回归、决策树、神经网络……（神经网络是其中一种）
- 不同的任务适合不同的模型
训练（Training）：机器的"学习过程"——用数据不断调整模型参数
- 训练就是反复试错、不断改进的过程
- 训练的目标是：模型预测的答案和真实答案的差距越小越好

③ 机器学习的三种主要类型

④ 机器学习能做什么、不能做什么

能做的：

不能做的：

名词	一句话解释
Machine Learning / 机器学习	让机器从数据中学习规律的技术，不需要人写所有规则
Training / 训练	用数据调整模型参数的过程，也就是机器学习的过程
Model / 模型	机器学习得到的"规律函数"，可以用来对新数据做预测
Supervised Learning / 监督学习	给数据和答案的学习方式，有"老师"监督
Unsupervised Learning / 无监督学习	只给数据不给答案，让机器自己找规律
Reinforcement Learning / 强化学习	通过奖励和惩罚来学习的方式，靠"试错"进步
Classification / 分类	判断属于哪一类（猫还是狗），是监督学习的基本任务之一
Regression / 回归	预测一个数值（房价多少），也是监督学习的基本任务
Clustering / 聚类	把相似的数据分成一组，是无监督学习的基本任务
Feature / 特征	用来判断的依据（比如识别猫狗时，耳朵形状、体型大小就是特征）

易混对比： 监督学习 vs 无监督学习（一个有答案一个没有，别搞混）；分类 vs 聚类（分类是监督学，有标准答案；聚类是无监督，自己分组）

目标： 判断 6 个场景分别属于哪种机器学习类型。

实验： 以下 6 个场景，请你判断分别属于哪种机器学习类型（监督 / 无监督 / 强化），并说明为什么：

思考题：

相关文章