机器学习绪论

1. 机器学习的定义

机器学习（ML）是人工智能的一个分支，研究如何让计算机从数据中自动学习规律，并做出预测或决策，而无需显式编程。

2. 机器学习的主要类型

• 监督学习（Supervised Learning）：输入数据有标签（如分类、回归）。线性回归：拟合连续值（如房价预测）

  • • 损失函数：最小二乘法

    • 优化：梯度下降法

  • 逻辑回归：解决二分类问题（如是否患病）

    • Sigmoid函数输出概率

  • 神经网络：多层感知机（MLP）解决非线性问题

• 无监督学习（Unsupervised Learning）：输入数据无标签（如聚类、降维）。K-Means聚类：自动分组相似数据（如用户分群）

  • PCA主成分分析：数据降维与可视化

• 强化学习（Reinforcement Learning）：通过试错和奖励机制学习（如游戏AI、自动驾驶）。

3. 基本流程

1. 数据收集 → 2. 数据预处理（清洗、归一化）→ 3. 模型训练 → 4. 评估优化（如准确率、召回率）→ 5. 部署应用

4. 常见算法（举例）

• 分类：决策树、SVM、神经网络

• 回归：线性回归、随机森林

• 聚类：K-Means、DBSCAN