ML：Supervised/Unsupervised
一、核心概念辨析：Machine Learning vs AGI
这两个概念代表了人工智能领域的不同层级。
1.1.Machine Learning（机器学习，简称 ML）
它是实现人工智能的核心技术手段之一，而非人工智能本身。其核心逻辑是 “数据驱动”，通过算法从大量数据中挖掘模式、训练模型，然后用模型处理新的数据。
简单来说，机器学习是让计算机 “从经验中学习”。这里的 “经验” 就是数据，“学习” 就是算法优化模型参数的过程。比如手机相册的人脸识别、垃圾邮件过滤，都是机器学习的典型应用。
1.2.AGI（Artificial General Intelligence，通用人工智能）
它是人工智能领域的终极目标之一，指具备与人类相当的通用智能的机器。这种机器能像人一样，在各种不同场景下自主学习、理解、推理，解决跨领域的复杂问题，而非局限于单一任务。
目前我们所处的阶段是弱人工智能（Narrow AI），所有应用（包括 ChatGPT、自动驾驶）都属于这一范畴，仅能在特定领域解决特定问题。AGI 尚未实现，仍停留在理论研究阶段。
二、 What is Machine Learning?（机器学习的准确定义）
结合 Tom Mitchell（机器学习领域权威学者）的经典定义和现代理解：
“如果一个计算机程序在完成任务 T 时的性能（用 P 衡量），随着经验 E 的积累而自动提升，那么这个程序就被认为是在进行机器学习。”
拆解这个定义的三个核心要素：
- 任务（Task, T）：要解决的具体问题，比如图像识别、房价预测、垃圾邮件分类。
- 性能（Performance, P）：评估任务完成得好不好的指标，比如预测房价的误差大小、识别图片的准确率。
- 经验（Experience, E）：用于训练模型的数据，比如大量标注好的 “图片 - 标签” 数据、“房屋特征 - 房价” 数据。
通俗来讲，机器学习就是让计算机通过 “看” 大量数据（经验 E），自己学会做某件事（任务 T），并且做得越来越准（性能 P 提升）。
三、机器学习的两大核心分支
根据训练数据是否包含 “标准答案”，机器学习主要分为两大类，supervised和unsupervised。
3.1 Supervised Learning（监督学习）
这是目前应用最广泛的机器学习类型，核心是训练数据带有 “标签（Label）”—— 相当于有老师在旁边指导，告诉模型 “什么输入对应什么输出”。
模型的目标是学习 “输入（特征）” 到 “输出（标签）” 的映射关系，然后对新的、未见过的输入预测标签。
它又可细分为两大核心任务，对应regression和classification：
| 任务类型 | 英文 | 核心目标 | 输出结果 | 典型例子 |
|---|---|---|---|---|
| 回归 | Regression | 预测连续型数值 | 具体的数字 | 预测房价、预测股票价格、预测气温 |
| 分类 | Classification | 预测离散型类别 | 固定的类别标签 | 垃圾邮件识别（垃圾 / 非垃圾）、疾病诊断（患病 / 健康）、图像识别（猫 / 狗 / 汽车） |
3.2 Unsupervised Learning（无监督学习）
与监督学习相反，训练数据没有任何标签，相当于让模型在没有老师指导的情况下，自己从数据中发现隐藏的结构和规律。
模型的目标不是预测，而是 “探索数据本身的特征”。它主要clustering、dimensionality reduction等任务：
| 任务类型 | 英文 | 核心目标 | 典型例子 |
|---|---|---|---|
| 聚类 | Clustering | 将相似的数据自动归为一类 | 电商用户分群（高消费 / 中等消费 / 低消费群体）、新闻主题聚类 |
| 降维 | Dimensionality Reduction | 在保留核心信息的前提下，减少数据的特征数量 | 图像压缩（将高像素图像转为低像素，仍能识别内容）、数据可视化（将高维数据降到 2D/3D 图表展示） |
四、 补充关键术语：Anomaly Detection（异常检测）
Anomaly Detection它是机器学习中一个重要的应用方向，可归属于无监督学习或半监督学习范畴。
4.1.核心定义
异常检测的目标是从大量正常数据中，自动识别出不符合预期模式的 “异常数据”，这些异常往往对应着实际场景中的问题或机会。
4.2.典型应用场景
- 金融领域：识别信用卡盗刷（突然异地大额消费，与用户常规消费模式不符）。
- 工业领域：检测设备故障（设备传感器数据突然偏离正常范围）。
- 安防领域：监控视频中识别异常行为（如夜间闯入禁区）。
五、总结：核心框架图
核心框架可总结为：
人工智能（AI）├─ 终极目标：AGI（通用人工智能，未实现）└─ 当前实现：弱人工智能（依赖机器学习等技术）└─ 机器学习（ML）├─ 监督学习（数据有标签，应用最广）│ ├─ Regression（回归：预测连续值）│ └─ Classification（分类：预测类别）└─ 无监督学习（数据无标签，探索数据结构）├─ Clustering（聚类：自动分组）├─ Dimensionality Reduction（降维：简化数据）└─ Anomaly Detection（异常检测：识别异常数据）