Week1：机器学习入门

摘要：本周完成李宏毅《机器学习》课程第 1 讲的入门学习，建立对机器学习的整体认知。首先梳理了人工智能、机器学习与深度学习的层级关系，剖析了传统 “人工设定规则” 方法的局限性；在此基础上，理解了 “机器学习本质是从数据中寻找最优函数” 的核心逻辑。

1机器学习基础

1.1核心概念层级关系

人工智能（AI）是最终目标，旨在让机器具备类人的智能行为；机器学习（ML）是实现人工智能的核心手段，通过让机器从数据中学习规律，而非依赖硬编码规则来完成任务；深度学习（DL）是机器学习的一个分支，以多层神经网络为核心，通过非线性模型拟合复杂规律

1.2 传统人工规则方法的局限性

课程通过多个案例剖析了传统方法的瓶颈：

以河狸筑坝的本能为例，河狸仅能对 “流水声” 这一固定触发条件做出反应，无法适应水泥墙播放流水声这类异常场景；

以聊天机器人为例，硬编码 “turn off” 触发 “关闭音乐” 的规则，无法处理 “Please don’t turn off the music” 这类带否定词的变体指令；

这类方法的共性问题：① 无法覆盖所有可能性，复杂场景下规则编写成本极高；② 模型表现永远无法超越人类设定者；③ 对复杂任务的适配性差，不适合小团队快速落地。

1.3 机器学习的本质定义

本讲提出了机器学习的核心定义：机器学习≈从数据中寻找最优函数。

课程通过多个案例具象化这一概念：

图像识别：输入一张图片，寻找函数将其映射为 “猫 / 狗 / 猴子” 的类别；

语音识别：输入一段音频波形，寻找函数将其映射为对应的文本；

围棋对弈：输入棋盘状态，寻找函数输出下一步的落子位置；

对话系统：输入用户的问题，寻找函数输出合理的回复。

1.4 机器学习的三大核心流程

课程将机器学习的实现逻辑简化为三个关键步骤，类比 “把大象放进冰箱” 的流程，清晰易懂：

Step 1：定义函数集合（模型空间）：预先设定可能的函数范围，比如所有可能的线性模型、或所有结构的神经网络；

Step 2：定义函数的 “好坏”（评估指标 / 损失函数）：基于训练数据，判断一个函数的预测结果与真实标签的差距，差距越小，函数表现越好；

Step 3：选出最优函数（优化过程）：通过算法从函数集合中，筛选出在训练数据上表现最好的那个函数，作为最终模型。

2 机器学习的任务类型

2.1 监督学习任务

监督学习是机器学习中最常见的任务类型，核心特点是基于带标签的训练数据，学习输入到输出的映射关系。根据输出形式的不同，可分为三类：

2.1.1 回归任务

回归任务的输出是连续的标量数值，目标是预测一个具体的数值结果。课程以 “预测 PM2.5” 为例：输入是过去几天的 PM2.5 监测数据，目标是训练一个函数，输出未来一天的 PM2.5 浓度值。

2.1.2 分类任务

分类任务的输出是离散的类别标签，根据类别数量可分为两类：

二分类：仅需区分两个类别，比如垃圾邮件过滤（“是垃圾邮件 / 不是垃圾邮件”）；

多分类：需区分三个及以上的类别，比如新闻文档分类（“政治 / 经济 / 体育 / 科技”）；课程也以围棋为例，说明每一个棋盘位置都是一个类别，模型需要输出下一步的落子位置。

2.1.3 结构化学习任务

结构化学习是分类任务的延伸，输出不是简单的标量或单个类别，而是结构化的复杂数据，课程举例：

语音识别：输入音频波形，输出对应的文本序列；

机器翻译：输入中文文本，输出对应的英文文本；

人脸检测：输入一张图片，输出图片中所有人脸的位置与边界框。

3 机器学习的学习范式

除了监督学习，课程还介绍了其他主流学习范式，根据数据是否带标签、数据与任务的相关性，可分为以下几类：

3.1 无监督学习

无监督学习的核心特点是使用无标签数据进行学习，目标是挖掘数据本身的结构与规律，而非直接预测标签。课程举例：

词向量学习：通过阅读大量无标签文本，让模型学习单词的语义含义；

图像生成：通过学习大量无标签图片的分布，生成新的图片内容。

3.2 半监督学习

半监督学习结合了少量带标签数据和大量无标签数据，主要用于解决 “标注数据稀缺” 的场景。课程以猫狗识别为例：仅用少量标注了 “猫 / 狗” 的图片，结合大量无标注的猫狗图片，训练模型完成识别任务，降低数据标注成本。

3.3 强化学习

强化学习的核心逻辑是让智能体（Agent）与环境交互，通过反馈信号（奖励 / 惩罚）优化策略，与监督学习有明显区别：

监督学习是 “向老师学习”，有明确的标准答案；

强化学习是 “从批评中学习”，没有直接的标准答案，仅通过最终结果的好坏（比如围棋的输赢、对话的用户反馈）来调整模型策略。课程以 AlphaGo 为例，说明其结合了监督学习与强化学习，先学习人类棋谱，再通过自我对弈优化策略。

3.4 迁移学习

迁移学习的目标是利用与当前任务不直接相关的数据，辅助模型学习，提升模型的泛化能力。课程以猫狗识别为例：除了标注的猫狗图片，还可以用大象、老虎、动漫角色等其他数据，帮助模型学习通用的图像特征，提升对猫狗识别任务的适配能力。

总结

本周的学习搭建了机器学习的基础框架，纠正了 “AI = 复杂规则” 的误区，理解了 “从数据中学习” 才是机器学习的核心逻辑。同时，也对不同任务类型与学习范式有了清晰的认知，明确了不同场景下的模型选型思路。后续将继续跟进课程进度，补充线性回归的相关学习，并尝试通过简单的代码案例，将本周的理论知识落地实践。