机器学习 Machine Learning · ML
用数据与算法让模型自己“归纳经验”，而不是人工枚举规则。
机器学习通过经验数据和可泛化的算法，让系统自动学习输入与输出之间的映射关系，并在未见过的样本上进行预测或决策。
关键范式
- 监督学习：利用带标签数据进行分类、回归、序列标注等任务。
- 无监督学习：通过聚类、降维、生成建模等方法挖掘数据结构。
- 半监督与自监督学习：结合大量无标签数据提升表现，近年来在大模型预训练中尤为重要。
- 强化学习：基于环境交互与奖励信号逐步学习策略，常用于决策与控制问题。
模型与算法谱系
- 传统方法：线性模型、朴素贝叶斯、决策树、随机森林、支持向量机等强调可解释性与较小数据需求。
- 深度学习：多层神经网络可学习高维表示，是语音识别、视觉理解、自然语言处理的主流方案。
- 概率图模型与贝叶斯方法：擅长表达不确定性与因果结构，在风控、医学等领域仍被广泛采用。
工程实践
- 数据闭环：数据标注、清洗、特征工程、数据漂移监测构成性能维持的核心工作流。
- 模型部署：涵盖模型压缩、在线/离线推理、A/B 实验与持续学习，强调可观测性与治理。
- 评估指标：准确率、召回率、AUC、F1-score 等指标需要结合业务目标综合考量。
与人工智能的关系
机器学习是人工智能的重要子领域，为感知、理解、生成等能力提供算法基础；而人工智能还包括知识表示、规划、机器人等更广泛的研究方向。
参考资料
- Tom M. Mitchell. Machine Learning. McGraw-Hill (1997).（经典教材，对监督、无监督与评估进行了系统介绍）
- Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer (2006).（深入讨论概率建模与推断）
- Andrew Ng. “Machine Learning Yearning” (2018).（工程视角解析如何搭建 ML 系统）
打开 GitHub 界面，修改后直接生成 PR