哈嘍呀！又到了咱們【ML 新手村】的學習時間！

前面兩篇，我們感受了機器學習酷炫的應(yīng)用，激發(fā)了學習的熱情?，F(xiàn)在，是時候回到原點，問那個最根本的問題了：“機器學習，到底學的是個啥？”

別擔心，我們不講復(fù)雜的數(shù)學公式（至少現(xiàn)在不講?。覀兿葋砝斫馑詈诵牡乃枷?。

機器學習的核心：從數(shù)據(jù)中找規(guī)律，然后變聰明

想象一下，傳統(tǒng)的電腦程序就像一個非常聽話但有點“死腦筋”的學生。你告訴它明確的規(guī)則，比如“如果下雨，就帶傘；如果出太陽，就戴帽子”。然后，遇到“下雨”的情況，它就嚴格按照規(guī)則執(zhí)行“帶傘”。你必須把所有可能的情況和對應(yīng)的動作都告訴它。

但是，現(xiàn)實世界太復(fù)雜了！你不可能窮盡所有可能性。比如，你怎么寫程序判斷一張圖片是不是“貓”呢？你很難列出“貓”的所有特征（有毛、四條腿、尖耳朵、會喵喵叫...但也有沒毛的貓、三條腿的貓...而且怎么用代碼描述“毛茸茸”？）。

這時候，機器學習就登場了！

機器學習的方法是：我們不直接告訴電腦識別貓的“規(guī)則”，而是給它大量帶有“標簽”的數(shù)據(jù)。比如，給它 10000 張圖片，其中 5000 張你告訴它是“貓”，另外 5000 張你告訴它不是“貓”（可能是狗、老虎、椅子等）。

然后，你讓機器學習模型去**“看”這些圖片和標簽，它會自己“學習”貓的圖片里有什么共同的、獨特的特征，比如特定的紋理、形狀組合等等。通過反復(fù)“看”和學習，它就逐漸找到了區(qū)分“貓”和“非貓”的規(guī)律**。

當下次你給它一張全新的、它沒見過的圖片時，它就能運用學到的這些規(guī)律，來預(yù)測這張圖片是“貓”的概率有多大。如果概率很高，它就判斷這是一只貓。

這就是機器學習的核心思想：通過從大量數(shù)據(jù)（經(jīng)驗 E）中學習，讓程序在執(zhí)行特定任務(wù)（任務(wù) T）時的表現(xiàn)（性能 P）越來越好。

用那位計算機科學家 Tom Mitchell 的定義來說就是：

對于某類任務(wù) T 和性能度量 P，如果一個計算機程序在經(jīng)驗 E 中學習，隨著經(jīng)驗 E 的增加，該程序在任務(wù) T 上度量 P 的性能有所改進，則稱該程序具有學習能力。

聽起來是不是沒那么神秘了？

總結(jié)一下，機器學習和傳統(tǒng)編程最大的區(qū)別在于：

• 傳統(tǒng)編程：
   人定義規(guī)則 → 計算機執(zhí)行規(guī)則
• 機器學習：
   人提供數(shù)據(jù)和目標 → 計算機從數(shù)據(jù)中學習規(guī)則 → 利用學到的規(guī)則執(zhí)行任務(wù)

機器學習讓計算機擁有了從數(shù)據(jù)中自我改進的能力，能夠處理那些規(guī)則復(fù)雜、難以用傳統(tǒng)方法描述的問題。

理解了這一點，你就抓住了機器學習的靈魂！

接下來，我們將根據(jù)有沒有那個“正確答案”（標簽），把機器學習分成兩大類：監(jiān)督學習 和 無監(jiān)督學習。下一篇，我們就先從最常見的監(jiān)督學習開始講起！

準備好了嗎？我們下篇再見！

感謝閱讀！