1.1 什么是机器学习 第一部分升级版机器学习基础概念篇1.1 什么是机器学习用 “教小朋友认猫” 来理解 想象你要教一个 3 岁的小朋友认识 “猫”❌ 传统编程的方式你列了 100 条规则有尖耳朵的是猫有胡须的是猫会喵喵叫的是猫有尾巴的是猫…结果小朋友看到一只狗也有耳朵、有尾巴就说 “这是猫”你又加了 100 条规则… 永远加不完。✅ 机器学习的方式你给小朋友看 100 张猫的照片说 “这些都是猫”再给小朋友看 100 张狗的照片说 “这些不是猫”小朋友自己总结出猫的特点下次看到新的猫就认出来了机器学习的本质不给机器写死规则给它看大量例子让它自己总结规律。1.2 AI / ML / DL 三者关系用 “交通工具” 来类比 ┌─────────────────────────────────────┐│ 人工智能 (AI) ││ “能自己动的交通工具” —— 最宽泛的概念 ││ ┌─────────────────────────────────┐ ││ │ 机器学习 (ML) │ ││ │ “用汽油驱动的车” —— AI的一种实现方式 │ ││ │ ┌─────────────────────────────┐ │ ││ │ │ ️ 深度学习 (DL) │ │ ││ │ │ “V12发动机的跑车” —— ML的高级版 │ │ ││ │ └─────────────────────────────┘ │ ││ └─────────────────────────────────┘ │└─────────────────────────────────────┘更形象的解释为什么叫 “深度” 想象你在玩 “找不同” 游戏浅层学习只能看到 “颜色不一样”、“形状不一样” 这种表面特征深度学习第一层看线条第二层看形状第三层看物体第四层理解场景… 一层比一层抽象一层比一层高级就像你认人第 1 层看到黑白色块第 2 层哦有眼睛、鼻子、嘴巴第 3 层这是一张人脸第 4 层这是我妈妈1.3 机器学习的三大分类 监督学习 —— “有老师的课堂”场景老师拿着课本每道题都有标准答案你做完对照答案改。用 “找对象” 来理解 你妈给你安排了 100 次相亲每次回来都告诉你“这个好适合结婚” ✅“这个不行pass” ❌相了 100 次之后你自己总结出了 “好对象” 的标准身高 175有稳定工作性格开朗…下次再相亲你自己就能判断合不合适了两大任务类型回归问题 —— 预测一个数字 比如预测奶茶店明天能卖多少杯输入天气、星期几、有没有促销输出一个具体数字比如 237 杯特点答案是连续的237 杯、238 杯、237.5 杯… 都有可能分类问题 —— 判断属于哪一类 ️比如判断这条评论是好评还是差评输入评论内容输出“好评” 或 “差评”特点答案是离小测试 预测明天会不会下雨→ 分类会 / 不会预测明天下多少毫米雨→ 回归具体数值雨→ 无监督学习 —— “没有老师的自习课”— “没有老师的自习课”场景给你一堆题但不给答案让你自己发现规律。用 你妈把一堆衣服扔给你说“自己整理好”。给你说 “自己整理好”。没人告诉你怎么分但你自己会按季节分夏装、冬装按类型分上衣、裤子、裙子按颜色分深色、浅色你自己发现了衣服之间的相似性把它们归成了几类 —— 这就是聚类另一个例子降维 想象你要描述一个人身高、体重、年龄、学历、收入、爱好、星座、血型… 20 个维度太多了记不住你总结成 3 个维度“高富帅” 程度、有信息损失不大但好记多了 —— 这就是降维。 强化学习 —— “训狗式学习” 习 —— “训狗式学习” 场景做对了给奖励做错了给惩罚慢慢学会怎么做。用 “训练小狗坐下” 来理解你说 “坐下”小狗乱跑 → 不给吃的惩罚小狗坐下了 → 给肉干奖励重复 100 次后小狗一听到 “坐下” 就乖乖坐下了用 “玩游戏” 来理解 AI 玩超级马里奥往前走 → 加分奖励掉进坑里 → 扣分惩罚玩了 100 万局后AI 变成了通关大神核心四要素智能体小狗 / AI—— 学习者环境客厅 / 游戏—— 所处的场景动作坐下 / 跳—— 能做什么奖励肉干 / 分数—— 做得好不好1.4 机器学习的一般流程用 “开奶茶店” 来理解整个流程 第 1 步问题定义 —— “我要开个什么样的奶茶店”目标预测每天卖多少杯好准备原料问题类型回归问题第 2 步数据收集 —— “收集历史数据”过去 30 天每天卖了多少杯当天的天气、温度、星期几有没有做促销活动第 3 步数据预处理 —— “把数据擦干净”哎呀有 3 天的数据丢了 → 补上或者删掉有一天卖了 1000 杯明显异常那天搞活动→ 特殊处理单位统一温度都是摄氏度销量都是杯第 4 步特征工程 —— “找出最有用的信息”原始数据日期、天气、温度、星期…构造新特征“是不是周末”周六周日销量高“是不是节假日”“前一天销量”有惯性删掉没用的比如 “店员今天穿什么颜色衣服”跟销量没关系第 5 步模型选择 —— “选个算法试试”先从简单的来线性回归画一条直线拟合不行再换复杂的决策树、随机森林…第 6 步模型训练 —— “让模型学习”把前 25 天的数据给模型看模型自己调整参数找出规律第 7 步模型评估 —— “考个试看看学得怎么样”用后 5 天的数据来考预测值和真实值差多少差得少 → 学得好差得多 → 回去重学第 8 步模型优化 —— “查漏补缺”为什么预测不准特征不够→ 再加几个特征模型太简单→ 换个复杂点的数据太少→ 再多收集点数据第 9 步部署上线 —— “正式开张”把训练好的模型装到系统里每天早上自动预测今天销量根据预测结果准备原料定期更新模型市场在变嘛✅ 第一部分趣味版小结记住这几个类比就够了