从0开始的机器学习之旅（一）：什么是机器学习
零、前言
近十年来，毫无疑问最具潜力，颠覆最大的就是AI，在短短的几年时间从默默无闻到异军突起，再到一统江湖。毫无疑问，作为一个技术人员，去学习AI是非常有价值的且必须的。或许我们天天都在用各种Agent，各种LLM，但如果我们不知道它们的原理，仅仅只是把它们当成一个"黑盒"，那相信如果技术发生变革那一刻，我们是很被动的。但作为一个RD ，从自身的角度来说，我们并不需要像算法岗了解得那么深，但我们需要知其然更知其所以然 。对自己天天在使用的工具有一个相对清晰的了解与认知，想必是对自身在AI浪潮的发展中大有裨益的，这也是我想写这篇博客的原因，一方面记录自己的学习路径，一方面希望可以为他人提供参考。
严格上来说，机器学习并不等同于AI，但机器学习是AI领域中最大也是最出色 的一个领域，无论是改变世界的LLM ，还是现在各类搜索推荐算法，都属于机器学习，所以这里才选择从机器学习开始对AI领域的学习
本文大致路径跟随 吴恩达的机器学习课 进行，很适合零基础人群学习
一、什么是机器学习
机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。
机器学习是对能通过经验自动改进的计算机算法的研究。
机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。
-----维基百科对机器学习的定义
（一）、定义解释
如上述维基百科对其的解释，机器学习是设计与分析一些让计算可以自动"学习"的算法，并利用其规律对未知数据进行预测。这里的预测如果是预测语句的下一个词，那就是现在红极一时的Chat AI ，如果是预测你是不是对某个广告感兴趣，那就成了广告推荐系统 ，如果是预测你是属于哪一种人群，或者预测你身上有什么可以用来分类的标签，那就成了人群区分系统 ，总而言之，机器学习是一门"预测"的艺术，通过从海量数据进行挖掘，习得其中的各种隐藏信息，将其用来预测未知数据，便是机器学习的价值所在。
二、机器学习分类
机器学习是一个巨大的领域，但可以粗略地将其分为如下几类
（一）、监督学习
故名思意，监督学习的精髓在于"监督"，在监督学习中，有一个个考官不断地告诉你："这个不对！错得很离谱！"、"差不多，但还是差一点！"、"完美，正确！"。模型会根据这些反馈来不断地反思自己，改正自身，最后变成一个高正确率的"学霸"。
总而言之，监督学习可以总结为，给出 数据（X），和标签（Y），要求模型找出X--->Y的映射
监督学习的用途大致可以分为两类：分类 和回归
1.分类
顾名思义，分类就是为了把一系列数据分成一个或多个类
举个例子，现在有很多邮件，要求你分成正常邮件和垃圾邮件，如何实现？
监督学习给出的答案是，给每一封邮件（X）打上标签：是否是垃圾邮件（Y），让模型不断尝试去判断，如果失败了就不断从中吸取经验改进自身，继续学习
这种类型的任务便被称为分类
2.回归
回归，也可以理解为预测。当你想要一个模型告诉你确切的数字，文字时，这就是回归。
举个例子，你现在有一支股票五年的趋势图，你想预测一下接下来的趋势是怎么样的，于是你把趋势图数据喂给了AI（无穷多的 日期（X）和价格（Y）），然后AI会去尝试去找到其中的规律，并验证是否成立，这便是回归。回归的精髓在于，必定是连续的数字。
值得一提的是，只有预测明天的价格，才算是回归，如果是预测涨跌，就成了分类，回归做填空题，而分类做选择题
可能你觉得现在的LLM是属于回归？其实答案比较反直觉，其更多地属于分类：将下一个字（Token）分类到茫茫多的词表中，将其挑出来组成回答。
（二）、无监督学习
无监督学习和监督学习的最大区别在于，没有任何的答案提供给模型 ，模型必须自己摸索 ，找到数据中的潜在关系，这种没有答案的方式决定了无监督学习不适合用来找"答案"，而是"结构"，其经常用来把一堆看起来毫无关系的数据通过某种方式分为多簇，或是检测异常，降维数据
1.聚类
假如你是一个公司的经理，想知道和你们公司做生意的客户都有哪些特点，于是你收集了成千上万的详细的客户信息，但是茫茫多的信息你根本看不出任何规律，这时候便是无监督学习的主场。通过K-Means等算法，能够将客户高效正确的划分为多个特征清晰的群体。
2.异常检测
在银行交易中，无监督学习不是为了把交易分类，而是为了看谁**"不合群"。如果大家的交易都在白天，在超市消费，突然有一个人在凌晨 3 点往境外汇了大额资金，模型会立刻报警。也就是找异类**。
可能你会觉得，判断"有异常"和"无异常" ，无疑是监督学习中的分类 ，但你要知道，可能十万笔交易中只有一笔 异常，如果是正常的分类算法，大概率会直接忽略掉这个"噪音"，异常通常是不可预测的，无法提前给出其数据，这时候只能靠无监督学习的异常检测，来判断这个交易逻辑是否偏离正常交易来实现检测
3.降维
如果你的客户信息有 100 个维度（年龄、收入、爱好、住址、鞋码......），数据太臃肿了。无监督学习可以帮你把 100 个维度压缩成 3 个"核心特征"，也就是特征提取
同样的，这和监督学习的分类很像，但监督学习的分类是添加标签 ：把数据分到指定的类中。而非监督学习的降维是减少列数：把不必要的特征隐去（也有可能把特征融合），对数据集进行精简
（三）、强化学习
在强化学习里，没有考官告诉你 1+1 等于几，只有一套奖励机制。模型必须在环境里通过不断地试错，去寻找能让自己"分数最高"的动作。
举个例子，之前有一个 训练AI挑战通关 口袋妖怪：红，就是通过强化学习来实现的：到达新区域+5分，战斗胜利+1分，升级+1分，拿到道馆徽章+10分，战败-5分等等，模型一开始并不知道"拿道馆徽章"是什么意思，它只是为了得分，不断尝试各种动作，直到发现"战斗胜利就能升级，就能拿到徽章 "这个关联。
LLM虽然绝大多数由监督学习而形成，但在最后要让他更像人，就会通过强化学习（RLHF ）来让他说话更迎合人类的价值观。
三、总结
以上便是对整个机器学习领域的简单的一个介绍，相信读到这里，你脑内已经有一个大致的机器学习的框架了，那么我们要做的就是往这个框架中填东西。接下来的一章，就让我们从监督学习开始，以回归方程来进一步加深对监督学习的学习和认知。