机器学习第二讲：对比传统编程：解决复杂规则场景

机器学习第二讲：对比传统编程：解决复杂规则场景

资料取自《零基础学机器学习》。

查看总目录：学习大纲

关于DeepSeek本地部署指南可以看下我之前写的文章：DeepSeek R1本地与线上满血版部署：超详细手把手指南

---

一、场景化对比：传统编程VS机器学习 🎭

案例 ：开发抖音推荐系统如何运作（此处引用教材[第一章]对比实例^[1](#1)）
传统编程 人工制定规则 定义用户年龄 标记视频分类 编写点击权重算法 机器学习 数据自动学习 用户观看记录 点赞/时长数据 模型自动发现规律

---

二、传统编程的「手工套餐」 ✍️

1. 运作方式：

   • 工程师像编写菜谱一样预先设定所有规则
   • 例：如果用户点击过3个萌宠视频 → 推送同类标签视频

2. 典型问题 (教材[第一章]讨论的局限性^[1](#1))：

   • 复杂度爆炸：用户行为有500种可能性时，需要写数百万条规则
   • 机械僵化：遇到跨领域兴趣组合（如"宠物+天文+摇滚乐"）无法识别
   • 维护噩梦：新增视频类型就要重写整套规则

3. 生活类比 ：

   像手动调节空调温度

   ❌ 需要每小时起床调温度

   ✅ 智能空调根据体感自动调节

---

三、机器学习的「自动驾驶」 🤖

1. 核心优势 （教材[第一章]关键技术特征^[1](#1)）：

   • 自动进化：当用户开始关注滑雪，模型会捕捉关联特征（如冰雪装备/旅行地）
   • 处理高维：同时考量用户设备型号/观看时段/滑动速度等50个维度
   • 发现隐规律：可能挖掘出「深夜观看搞笑视频越久 → 早晨更爱看励志内容」

2. *典型技术实现：

   # 机器学习代码逻辑（对比传统编程）
   model.fit(用户行为数据)  # 让模型自己学习规律
   推荐结果 = model.predict(新用户)  # 根据学习到的规律预测

   ▲ 传统方法此处需编写上千行判断规则

3. 生活类比 ：

   像老司机开车

   ❌ 不需要背「转弯方向盘打多少度」的公式

   ✅ 通过大量实操自然掌握手感

---

四、应用场景分界线 🚦

展示适用领域差异（教材[第一章]学习范式对比章节^[2](#2)）:
问题类型 规则明确 规则模糊 传统编程
如计算器app 机器学习
如AI绘画生成

判断标准：

1. 能写出明确if-else规则 → 传统编程 ✔️
   （例：计算网购运费：如果重量>5kg → 运费=20元）
2. 需要处理关联性/概率性问题 → 机器学习 ✔️
   （例：预测用户可能购买的商品组合）

---

五、一句话核心总结 💡

机器学习如同给计算机装上了「经验学习系统」，让它在处理人类无法穷举规则的复杂场景时，能像孩子学走路一样通过试错自我进化 （教材第一章核心结论^[3](#3)）

（经典案例：阿尔法狗通过自我对弈学习围棋策略，而非输入人类棋谱规则🤖）

---

目录：总目录

上篇文章：机器学习第一讲：机器学习本质：让机器通过数据自动寻找规律
下篇文章：机器学习第三讲：监督学习 → 带答案的学习册，如预测房价时需要历史价格数据

---

1. 对应《零基础学机器学习》第一章第2节"与传统编程区别" ↩︎ ↩︎ ↩︎

2. 参考《零基础学机器学习》第一章第3节"三大学习范式"分类框架 ↩︎

3. 引用自《零基础学机器学习》第一章第1节"机器学习本质" ↩︎