小白入门机器学习基础【AI】

[1 机器学习](#1 机器学习)

[2 机器学习按照反馈信号分类](#2 机器学习按照反馈信号分类)

[2.1 监督学习（Supervised Learning）](#2.1 监督学习（Supervised Learning）)

[2.2 无监督学习（Unsurpervised Learning）](#2.2 无监督学习（Unsurpervised Learning）)

[2.3 半监督学习（Semi-supervised Learning）](#2.3 半监督学习（Semi-supervised Learning）)

[2.4 自监督学习（Self-Supervised Learning）](#2.4 自监督学习（Self-Supervised Learning）)

[2.5 强化学习（Reinforcement Learning）](#2.5 强化学习（Reinforcement Learning）)

[3 机器学习按学习任务分类](#3 机器学习按学习任务分类)

[3.1 分类](#3.1 分类)

[3.2 回归](#3.2 回归)

[3.3 聚类](#3.3 聚类)

[3.4 关联规则](#3.4 关联规则)

[3.5 序列预测](#3.5 序列预测)

1 机器学习

机器学习（Machine Learning），英文缩写ML，是人工智能的一个子领域，其核心不再是手动编写规则，而是通过数据训练算法，让计算机从历史样本中自动总结规律，用来预测或者决策新问题。

人工智能是目标，机器学习是实现该目标的主要手段。

机器学习本质：给定输入x和输出y，让机器自己找那个函数 f(x) ≈ y 。

2 机器学习按照反馈信号分类

传统机器学习分为：监督学习、无监督学习、强化学习三类，随着技术的发展，半监督学习在标注成本敏感的场景中成为独立赛道（例如，像医疗影像）；

自监督学习在大模型时代成为核心预训练范式，因此被单独列出来。

建模过程中，根据训练数据的标注情况（学习所依赖的反馈信号），可以把机器学习分为：监督学习、无监督学习、半监督学习、自监督学习、强化学习。

2.1 监督学习（Supervised Learning）

监督学习是机器学习和人工智能中的一种算法学习训练方式。模型通过标记好的训练数据进行学习，目标是建立输入与输出之间的映射关系。监督学习靠"外部标准答案"（人工标签）反馈。有对有错，直接纠正。

2.2 无监督学习（Unsurpervised Learning）

无监督学习的核心定义：在完全没有"标签"（标准答案的情况下），让算法自行从输入数据中发现隐藏的结构、规律或者模式，靠"数据内在结构" 反馈。没有对错，只找规律。

2.3 半监督学习（Semi-supervised Learning）

半监督学习利用少量"有标签"的数据（带有标准答案）和大量"无标签"的数据共同进行训练，以此来提升模型的预测精度。半监督学习介于监督学习和无监督学习之间，结合其两者的优势。在海量的数据面前，手动标记的数据成本过于高昂且繁琐，而未标记数据很多且易于获取，因此我们可以只标记数据集中的一部分，而不是标记整个数据集，然后用半监督学习方式来学习。

例如：

医学影像X光片，首先医生的时间稀缺，但是医院每天会有海量的原始X光片（没有标注的数据）。

半监督学习的做法：

先用500 张医生标注好的片子训练一个初始模型。
让该模型去预测10000张未标注的片子。
挑选模型预测结果中置信度极高（例如99%确定是肺炎）的图片，给它们打上"伪标签"。
将这些带有伪标签的数据加入训练集，重新训练模型。

2.4 自监督学习（Self-Supervised Learning）

自监督学习利用数据本身的结构自动生成监督信号（伪标签）。自监督学习是无监督学习的一种特殊形式。模型通过隐藏数据的一部分，然后尝试预测这部分内容。它与半监督学习的核心区别在于：半监督学习需要依赖少量真实标签，而自监督学习完全不用标签。

2.5 强化学习（Reinforcement Learning）

强化学习通过与环境交互来学习。它没有直接的标签，而是通过"奖励"或者"惩罚"来优化行为策略，目标是获得最大的长期累积奖励。可以理解成"在试错中积累经验，追求长期收益最大化"。

3 机器学习按学习任务分类

3.1 分类

分类是一种监督学习任务，旨在根据输入数据的特征，将其划分到预先定义好的、离散的类别标签中。机器学习可以通过对已知类别的数据进行学习，从而对未知类别的数据进行分类。

例如在垃圾邮件识别中，机器学习算法可以通过学习已知的垃圾邮件和非垃圾邮件，来判断一封新收到的邮件是否是垃圾邮件。

分类问题的常见算法有K近邻算法、逻辑回归、朴素贝叶斯、决策树、随机森林、支持向量机（SVM算法）等。

3.2 回归

回归是一种监督学习任务，旨在建立一个数学模型，来拟合输入特征与连续数值型输出之间的映射关系。机器学习可以对已知的数据进行学习，从而对新的数据进行预测。

比如在股票市场中，机器学习算法可以通过学习历史股票价格数据，来预测未来的股票价格。

回归问题的常见算法有线性回归等。

3.3 聚类

聚类是一种无监督学习任务，旨在在没有预先给定类别标签的情况下，根据数据样本之间的内在相似性，自动将其划分为若干个不相交的簇。机器学习可以将数据按照一定的特征进行聚类，从而将相似的数据归为一类。

比如在客户分析中，机器学习算法可以通过学习客户的购买行为和喜好，将类似的客户归为一类，从而对不同的客户群体进行针对性的营销。

聚类算法属于无监督学习，常见的算法有K均值算法（K-means）、层次聚类、DBSCAN、高斯混合模型（GMM）等。

3.4 关联规则

关联规则是一种无监督学习任务，旨在从大规模数据集中，发现变量之间有趣的隐含依赖关系或共生模式，通常表示 X ->Y 的蕴含式。机器学习可以从大规模数据中发现变量之间的有趣关联或者频繁模式。

例如在超市购物篮分析中，通过分析顾客购买记录，可以找出购买尿不湿的顾客往往也会购买啤酒这样的关联规则，从而优化商品陈列和促销策略。常见的算法有Apriori算法、FP-Growth算法等。

3.5 序列预测

序列预测，简单来说，就是利用过去一串有顺序的数据，来推断未来接下里会发生什么。它的核心在于数据点之间存在顺序依赖性。机器学习可以利用历史序列数据来预测未来的元素或者趋势。

比如在自然语言处理中，模型可以根据已经生成的文字预测下一个文字，从而实现文本自动补全或者机器翻译。

序列预测的常见算法有循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、Transformer等。