机器学习（Machine Learning）

机器学习（Machine Learning，简称 ML）是人工智能的一个重要分支，研究如何设计算法让计算机从数据中自动「学习」规律，并利用学到的规律对未知数据进行预测或决策，而不需要人为逐条编写规则。

概述

传统程序的逻辑由程序员显式写死：输入什么、输出什么，都由代码规则决定。机器学习则反过来——先给算法喂大量数据（例如带标注的图片、历史交易记录），让它在训练过程中自行归纳其中的统计规律，形成一个「模型」，再用这个模型去处理没见过的新数据。数据越充分、质量越高，模型的表现通常越好。

由于学习过程大量依赖概率与统计理论，机器学习与统计学关系极为密切，相关理论也常被称为统计学习。工程上，很多问题无法求得精确最优解，因此研究重点往往放在可实际运行、行之有效的近似算法上，同时要控制误差累积和过拟合等问题。如今常听到的深度学习、神经网络、大语言模型，都属于机器学习的范畴或延伸。

主要类型

• 监督学习：用带「标准答案」的标注数据训练，常见任务有分类（如垃圾邮件识别）和回归（如房价预测）。
• 无监督学习：数据没有标注，算法自行发现结构，典型任务有聚类、降维和异常检测。
• 强化学习：让智能体在与环境的交互中通过奖励反馈不断试错，学会最优策略，常用于游戏 AI、机器人控制等。
• 深度学习：基于多层神经网络的机器学习方法，是当前图像识别、语音识别和生成式 AI 的主流技术路线。

典型应用

机器学习早已渗透进日常生活：电商和短视频平台的个性化推荐、手机相册的人脸分类、输入法的联想补全、银行的风控反欺诈、医疗影像辅助诊断、自动驾驶的环境感知，以及 ChatGPT 等大模型背后的训练技术，核心都是机器学习。

常见问题

问：机器学习和人工智能是什么关系？答：人工智能是让机器表现出智能的宏大目标，机器学习是实现这一目标最主流的技术手段之一；而深度学习又是机器学习的一个子领域，三者是层层包含的关系。

问：机器学习一定需要大量数据吗？答：通常数据越多效果越好，但并非绝对。小样本学习、迁移学习和预训练模型微调等方法，可以在数据有限的场景下取得不错的效果。

问：想入门机器学习需要什么基础？答：一般需要基本的编程能力（Python 最常用）、线性代数、概率统计和微积分基础，再配合 scikit-learn、PyTorch 等开源框架动手实践即可逐步深入。