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

获取数据
数据处理
特征工程
模型训练
模型评估
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]]