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」 ✍️
-
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
-
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
-
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」 🤖
-
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」
-
*典型技术实现：
python# 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
-
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：
- 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） - 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
-
对应《零基础学机器学习》第一章第2节"与传统编程区别" ↩︎ ↩︎ ↩︎
-
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 ↩︎
-
引用自《零基础学机器学习》第一章第1节"机器学习本质" ↩︎