前言
不写规则,给例子。
传统程序是人把规则写清楚,机器照着执行。 机器学习反过来:人给一堆例子,机器自己把规则找出来。
一个例子
判断一套房子值多少钱。
传统写法是这样:
if 面积 > 100 and 地段 == "好": price = 500 elif 面积 > 80: price = 380 else: price = 260规则是你定的,哪条不对得自己去发现、自己改。 影响房价的因素有几十个还互相纠缠,一晚上写不完。
机器学习写法是这样:
给 5000 条记录:面积、地段、房龄、楼层 …… 成交价 让机器自己找这些数之间的关系 得到一个函数:price = f(面积, 地段, 房龄, 楼层, ...)没有写任何一条规则,规则藏在机器找出来的那个函数里。
三个推论
数据决定上限。 记录里没有的房子类型,它学不会。
只会见过的那类问题。 拿房价数据训出来的模型,问它股票,给出的数字毫无意义。
能给出答案,但说不出理由。 「为什么这套值 420 万」,函数里有答案,但它不是人话。
能干什么
预测一个数 | 房价、销量、点击率 |
分一个类 | 这封邮件是不是垃圾邮件、这笔交易是不是欺诈 |
找相似的东西 | 买了这个的人还买了什么 |
从高维数据里看出结构 | 把 100 个指标压成 2 个维度画出来 |
不能干什么
没有数据也能干 | 它的全部知识来自数据,没数据就没有知识 |
训练没见过的情况 | 训练集里只有 20–40 岁的样本,来了一个 70 岁的, 它给出的是外推,通常不可信 |
自动告诉你该预测什么 | 目标是你定的,它不判断这件事值不值得做 |
保证因果 | 它学的是相关。冰淇淋销量和溺水人数高度相关, 但禁售冰淇淋不会减少溺水 |
和人工智能、深度学习的关系
三层包含,从外到里越来越窄。
人工智能 | 最外层。包括不学习的方法:专家系统、搜索、规划 |
机器学习 | 不写规则,从数据里拟合规律 |
深度学习 | 机器学习的一种,用很多层网络自动学特征 |
三层的划分是习惯,不是数学定义。决策树是机器学习,没人叫它人工智能; 一个下棋程序搜索几百万步,被叫人工智能,但它并不学习。
发展历史
年代 | 发生了什么 |
|---|---|
1959 | Samuel 的跳棋程序自己下几万盘变强,第一次有人用「机器学习」这个词 |
1986 | 反向传播被推广开,神经网络第一次能训练多层 |
1990s | SVM、核方法兴起,数学漂亮、能解释,把神经网络挤到边缘 |
2012 | AlexNet 在 ImageNet 上大幅领先,深度学习翻盘 |
2017 | Transformer |
1986 年反向传播就有了,2012 年才爆发。中间差的不是理论,是数据和算力。
今天用在哪
推荐系统 | 你可能还喜欢——点击率预测,本质是分类 |
广告出价 | 这个用户会不会点这条广告,值多少钱 |
风控 | 这笔交易是不是欺诈,模型要能解释为什么拒绝 |
搜索排序 | 哪个结果排第一 |
工业质检 | 这张图上的划痕算不算缺陷 |
这些场景里大部分用的不是深度学习,而是梯度提升树、逻辑回归这类方法。 训练快、能解释、数据量要求低——业务方问「为什么拒绝这个用户」时, 一棵树能答上来,一个神经网络答不上来。
需要什么
需要 | 到什么程度 |
|---|---|
Python | 函数、类、列表、循环、 |
命令行 | 会 |
高中数学 | 看到 和 不发懵就行,不会推导没关系 |
不需要线性代数、概率论、微积分的系统训练。用到的地方会当场讲。
这一块的走法
线 | 章 | 讲什么 |
|---|---|---|
基础 | 1–3 | 问题怎么定义、线性回归、梯度下降 |
分类与验证 | 4–9 | 逻辑回归、交叉熵、数据划分、过拟合、正则化、评估指标 |
经典算法 | 10–14 | 决策树、集成、SVM、聚类、降维 |
收尾 | 15–16 | 特征工程与流程、从 ML 到神经网络 |