机器学习介绍

机器学习介绍

机器学习是人工智能的重要分支，它让计算机能像人类一样 "学习"。从定义看，对于给定任务 T，在合理性能度量方案 P 下，计算机程序可自主学习任务 T 的经验 E，且随着优质、大量经验 E 的积累，程序对任务 T 的性能会逐步提升。简单来说，就是计算机通过不断执行任务、积累经验，实现性能的优化。

机器学习的运作，依赖计算机系统依据训练数据按特定方式学习，随着训练次数增加，系统性能不断改进，经参数优化的学习模型能预测相关问题输出。

人类学习有从 "无知" 到掌握知识的过程，涉及语言、颜色、形状等特征统计。机器学习也借鉴了人类学习模式，分为有监督学习（如识别物体）、无监督学习（无监督学习就像是让计算机自己在一堆杂乱的数据里找规律、做分类，不需要人提前告诉它 "答案"。有点自主意识说白了就是自己去找想要的）、增强学习（如模拟走路、踢球时的反馈学习）。

机器学习能解决给定数据的预测问题，涵盖数据清洗、特征选择、确定算法模型与参数优化、结果预测等环节。但它并非万能，无法直接解决大数据存储、并行计算，也不能单独造出一个机器人。比如在排球场景中，机器学习可基于数据得出 "盯住 2 号位，她很容易起快球" 的预测，而传统算法则是依据排球规则来制定策略。

最后不要忘了咱们机器学习或者深度学习开发流程走获取数据集，构造模型，训练模型，评估模型哈哈哈。

补充一点无监督学习心得，咱们举个网络安全中红队模型的小案例，在红队SQL注入实战中，不管有没有防火墙都无法突破主机，核心往往在Payload，目标应用的代码层过滤、参数校验等 "隐形防护"，会拦截通用Payload。无监督学习在此展现独特价值：无需人工标注有效样本（实战中咱们一般很难提前获取目标防护规则），但是咱们可通过聚类、异常检测等算法，对海量Payload及目标响应数据自主分析，挖掘 "绕过防护" 的隐蔽特征，比如关键词替代写法、注释符嵌套规律等。实战中需注重 "数据多样性 + 实战反馈闭环"，用覆盖多攻击类型、多防护场景的数据集训练模型，再将生成新的Payload的实战效果模型优化，让其持续产出适配未知防护的有效Payload，突破人工构造的局限 。