1  学习目标

建立对机器学习的整体认知，理解其核心定义、任务分类与基础学习范式

2  学习日志

2.1 核心概念理解

明确了 “机器学习 ≈ 从数据中寻找最优函数” 的核心定义。机器通过：定义函数集合→用数据评估函数好坏→筛选最优函数三步流程，自动学习输入到输出的映射关系，替代了传统人工编写规则的局限性。

AI 发展脉络梳理机器学习的本质：

区分了人工智能、机器学习、深度学习的层级关系。人工智能是让机器模拟人类智能的宽泛目标，机器学习是实现人工智能的主流技术路径，而深度学习是机器学习的一个分支，它通过多层神经网络自动学习数据特征，是目前解决复杂任务最有效的方法。

理解了早期基于人工规则的 AI ，与基于数据学习的机器学习的本质差异，以及深度学习作为非线性模型的发展背景。

2.2基础任务分类学习

任务类型	核心特点	典型案例
回归任务	输出为连续数值	PM2.5 浓度预测（根据历史数据预测未来数值）
分类任务	输出为离散类别	垃圾邮件过滤（二分类）、图像识别（猫狗分类）
结构化学习	输出为序列 / 结构化数据	语音识别、机器翻译

2.3 学习范式对比

监督学习：基于带标签数据学习，eg：根据棋谱学习围棋落子策略。

无监督学习：基于无标签数据学习数据规律，eg：从海量文本中学习词语含义。

强化学习：通过 “试错 + 反馈” 学习，eg： AlphaGo 通过胜负反馈优化对弈策略。

3  学习成果

1.明确了人工智能、机器学习、深度学习的层级关系，建立了机器学习的整体认知框架，理解了三者 “目标 - 方法 - 分支” 的包含关系。

2.掌握了机器学习的核心逻辑，能完整解释 “定义函数集合 - 评估函数好坏 - 优化得到最优函数” 的三步流程，并对应到具体任务案例中。

3.区分了监督学习、无监督学习、强化学习等主流学习范式，理解了不同范式的适用场景与核心差异。

4.梳理了机器学习的常见任务分类，能区分回归、分类、结构化学习的输出形式与典型应用场景。