专项话题►回忆AI时代-从图灵机到人工智能

如何理解机器学习


📚 文章 ( 📝 字数： 862 ⏱ 阅读时间： 3 分钟 )

系列文章见: 《回忆AI时代-从图灵机到人工智能》

什么是机器学习

机器学习（Machine Learning, ML）本质就是让计算机“通过数据自己学规律”，而不是人手写规则。

举个例子：如下房价面积表格，人一眼就能看出来这里的规律是”面积 * 2 = 房价“，机器学习的目标就是，不告诉机器公式，让它自己从数据中学出来。

面积(㎡) 房价(万)
50 100
60 120
70 140
80 160

用一个Python程序来举例学习房价表格的规律：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
 # 训练数据
x = [50, 60, 70, 80]
y = [100, 120, 140, 160]

# 机器随机猜一个参数
w = 1.0

# 学习率
lr = 0.0001

# 训练10000次
for epoch in range(10000):

    grad = 0

    # 计算梯度
    for xi, yi in zip(x, y):
        pred = w * xi
        grad += (pred - yi) * xi

    # 更新参数
    w = w - lr * grad

print("学到的参数:", w)

# 预测
area = 90
price = w * area

print("90平米预测房价:", price)

运行结果大概：

1
2
学到的参数: 2.0
90平米预测房价: 180

程序运行逻辑：

1
2
3
4
5
6
7
猜
↓
算错多少
↓
调整
↓
再猜

譬如：

1
w = 1

于是

1
2
50㎡ -> 50万
60㎡ -> 60万

然后计算误差：

1
2
3
4
真实值: 100
预测值: 50

误差 = 50

根据误差调整参数：

1
w = w - lr * grad

最终 w=2，和我们人算出来的一样，这就是机器学习，用一句话解释它规则 + 数据 = 结果。

机器学习三大类型

  • 监督学习：有标准答案的。
  • 无监督学习：没有标准答案。
  • 强化学习：通过奖励和惩罚学习。
  1. 监督学习（Supervised Learning）
    有标准答案。
1
2
3
图片 → 猫
图片 → 狗
图片 → 猫

学习后：

1
新图片 → 猫

应用场景：

  • 垃圾邮件识别
  • 房价预测
  • 图像分类
  1. 无监督学习（Unsupervised Learning）
    没有标准答案，自己找规律，譬如：
1
2
3
4
用户A
用户B
用户C
...

自动分类：

1
2
3
年轻用户
中年用户
老年用户

应用场景：

  • 用户画像
  • 聚类分析
  • 异常检测
  1. 强化学习（Reinforcement Learning）
    通过奖励和惩罚学习，如下棋：
1
2
3
4
走一步
↓
赢了 +1
输了 -1

经过几百万局,学会最佳策略。应用场景：

  • AlphaGo
  • 游戏AI
  • 机器人控制

后记

传统机器学习的核心模式是“人工设计特征 + 统计学习算法”。以逻辑回归、决策树、SVM（支持向量机）和随机森林等经典算法为代表，它们通常依赖大量的特征工程。例如在图像识别任务中，研究人员需要先手工提取边缘、纹理、颜色直方图、HOG（方向梯度直方图）等特征，再将这些特征输入机器学习模型进行分类。
神经网络则改变了这一范式。它能够直接从原始数据中自动学习特征：底层网络学习边缘和纹理，中层网络学习眼睛、鼻子、轮廓等局部结构，高层网络进一步组合这些信息，形成对猫、狗、人脸等复杂目标的识别能力。换句话说，传统机器学习是“人类负责设计特征，机器负责学习规律”；而神经网络则实现了“机器自动学习特征和规律”。正因如此，人工智能的发展逐渐从传统机器学习时代迈入了神经网络时代，并最终催生了今天的深度学习浪潮。