AI基础——机器学习

机器学习，就是让电脑通过大量粒子自己总结规律，而不是由程序员把所有规则一条条定死。

举个例子：让电脑判断一张图片是否违规。

传统编程的做法是程序员手写规则：

• 出现"两点"，可能违规
• 出现"某宗教名"，可能违规
• 出现断手断脚，可能违规

但现实中的图片千变万化，规则很难写完。

机器学习的做法是：给电脑看几十万张已经标注好的图片，并告诉它哪些是违规图片、哪些是正常邮件。电脑会从中寻找规律，然后学习出一个用于判断的"模型"。

这里的模型 ，可以先理解成电脑学习后得到的一套复杂判断方法。

它是怎么学会的

机器学习一般分成三个阶段：

1. 准备数据

   例如收集10万张图片，并标注哪些是违规图片。

2. 训练模型

   让模型反复做题。它先猜一封邮件是不是违规图片，然后和正确答案比较。

   猜错了，就调整内部参数；再猜错，再调整。这个反复练习的过程叫做训练。

3. 使用模型

   训练完成后，把一封从没见过的新图片交给它。模型可能会回答：

   违规图片概率：96%

这个真正使用模型得到答案的过程，叫做推理。

这里的推理不是像人一样思考，而是根据已经学到的规律计算结果。

AI、机器学习和深度学习是什么关系

可以这样理解：

人工智能 AI
└── 机器学习
    └── 深度学习
        └── 大语言模型，例如 ChatGPT

• 人工智能 ****AI：最大的范围，目标是让机器表现出类似智能的能力。
• 机器学习：实现 AI 的一种主要方法，让机器从数据中学习。
• 深度学习：机器学习中的一种方法，使用"神经网络"处理更复杂的问题。
• 大语言模型：深度学习的一种具体应用，通过大量文字学习语言规律。

所以，机器学习不是 AI 的全部，但它是今天大多数 AI 产品的基础。

机器学习主要有三种方式

1. 有监督学习

数据里有标准答案，像老师带着做题。

例如：

这张图片：猫
这张图片：狗
这封邮件：垃圾邮件
这封邮件：正常邮件

机器从这些例子里总结规律，再判断一张从未见过的新图片。训练时，系统会把它的判断和正确答案比较，计算"错了多少"，然后调整模型。

2. 无监督学习

数据没有标准答案，电脑自己寻找相似之处。

例如，商店没有提前定义用户类型，而是让机器根据购物记录自动发现：

• 一类人经常买母婴用品
• 一类人喜欢数码产品
• 一类人只在促销时购买

这种把相似对象放在一起的方法叫做聚类。

3. 强化学习

机器通过"行动之后得到奖励或惩罚"来学习，在一个环境中不断尝试，并根据奖励调整行为。奖励规则通常还是人设定的。

例如训练机器人走路：

向前走了一米：+10分
保持平衡：+2分
摔倒：-20分

机器人并不知道"腿应该怎么迈"，但会逐渐发现哪些动作组合得分更高。

总结

普通编程是"人写规则，电脑执行"；机器学习是"人提供数据和目标，电脑从例子中学习规则"。