---
title: 机器学习概述
tags:
  - module
  - machine-learning
  - overview
  - joplin
type: module
source_type: reconstructed
created: 2026-04-22
updated: 2026-04-22
---

# 机器学习概述

> [!abstract]
> 这一模块负责建立机器学习最基础的地图。重点不是一开始钻公式，而是先把“任务、数据、模型、预测”这条主线看清楚。

## 模块结论

- [[机器学习]] 的基本结构可以概括为“数据 -> 模型 -> 预测”。
- 监督学习与无监督学习的区别，关键在于是否存在明确目标值。
- 机器学习不是单个算法，而是一条从数据采集到部署应用的完整流程。

## 一、人工智能、机器学习、深度学习的关系

- 人工智能是更大的目标。
- 机器学习是实现人工智能的一条核心技术路线。
- 深度学习是机器学习进一步发展的重要分支。

### 理解重点

- 这三者不是并列概念。
- 深度学习不能脱离机器学习问题定义来理解。

## 二、机器学习在做什么

- 从历史数据中挖掘规律。
- 用规律对新样本做预测、分类或分组。
- 关键不只是“算出结果”，而是建立具有泛化能力的模型。

## 三、数据集由什么构成

- [[特征工程]] 里的特征值用于描述样本属性。
- 目标值用于描述希望预测的结果。
- 若目标值明确，通常进入 [[监督学习]] 场景；若没有标签，通常进入 [[无监督学习]] 场景。

## 四、任务类型怎么区分

- [[分类问题]]：目标是离散类别。
- [[回归问题]]：目标是连续数值。
- [[聚类]]：没有标签，让样本按相似性自动分组。

## 五、机器学习开发流程

1. 获取数据
2. 数据处理
3. 特征工程
4. 模型训练
5. 模型评估
6. 应用部署

### 为什么流程观比算法表更重要

- 因为很多问题不是出在“不会某个模型”，而是出在数据质量、特征表达和评估方式。

## 六、易错点

- 把机器学习等同于神经网络。
- 只关注模型，不关注问题定义与数据结构。
- 把训练效果好直接等同于泛化能力强。

## 七、复习提问

- 机器学习、人工智能、深度学习是什么关系？
- 为什么“有无目标值”会直接决定学习方式？
- 机器学习流程里最容易被低估的步骤是什么？

## 来源

- [[raw/Joplin/机器学习/1、入门机器学习/1、机器学习概述.md]]
- [[raw/Joplin/机器学习/1、入门机器学习/附件：思维导图.md]]

## 相关页面

- [[机器学习基础]]
- [[机器学习特征工程]]
- [[机器学习]]
- [[监督学习]]
- [[无监督学习]]