文章目录1. 人工智能2. 机器学习2.1 机器学习举例预测房价举例区分车还是人2.2 按反馈信号分类2.2.1 监督学习2.2.2 无监督学习2.2.3 半监督学习2.2.4 自监督学习2.2.5 强化学习2.3 按任务类型分类2.3.1 分类2.3.2 回归2.3.3 聚类2.3.4 关联规则2.3.5 序列预测1. 人工智能人工智能Artificial Intelligence简称 AI是计算机科学的分支是一门前沿综合学科需要众多的学科基础。其本质是对人类智能的模拟。当前的人工智能大多是在模仿智能的“行为”而非复制智能的“本质”。举例我们看一段视频很难判断画面里的物体到底是“真的在思考”还是“算出来的”。AlphaGo 第 37 手第 2 局从“不可能”的局面下走出五路连提人类棋手评价“这个下法很人类”但它模仿的是像人类一样的行为并不具备人类的意识与理解。手机上已普及的语音助手小爱同学、Siri宇树科技的人形机器人能对话、能写代码的 DeepSeek都属于 AI 范畴。简单来说人工智能是让机器特别是计算机系统模拟、延伸甚至超越人类智能的理论、方法和技术是一个人类期望达到的目标。2. 机器学习2.1 机器学习机器学习Machine Learning简称 ML是人工智能的一个子领域核心转变是由人工制定规则转变为通过数据训练算法让计算机从历史样本中自动总结规律用以预测或决策新问题。其本质就是通过给定输入量 x让机器自己得出输出量 y。机器学习就是通过一堆的数据进而得出一个总结性的计算规律有特征来寻找参数这个过程就叫做模型训练。举例预测房价假设我们要预测某小区房价先用最简单的线性模型y w·x₁ w₂·x₂ w₃·x₃ b 其中 x₁ 面积㎡x₂ 房间数x₃ 房龄年y 成交价万元人工规则的做法程序员去问中介“房子怎么定价”把专家的话硬编码成规则例如“每平米 2 万 × 面积超过 5 年每年减 3%”。但真实成交价往往和这套规则差很多因为例外太多、规则之间会互相冲突。机器学习的做法收集 10 万条真实成交记录面积、房间数、房龄、成交价把 w₁、w₂、w₃、b 初始化为一个随机值然后不断“预测 → 和真实答案比对 → 调整参数”。最终学到的结果可能是y 3.2·x₁ 0.8·x₂ − 1.5·x₃ 45模型甚至能学到人类没明说的规律朝南的房子偏贵 5%、带电梯的老小区没跌价——这些是数据自己告诉它的规则表里根本写不出来。举例区分车还是人如果要实现一个简单的图像分类比如区分下图里面是车还是人若用规则的方式需要写出“如果有两个轮子 车灯 矩形轮廓则是车”——但会有无穷多反例卡车、自行车、玩具车、带轮子的行李箱。而机器学习把这个函数表示成一组可调参数f(x; θ) y_car, 其中 θ {θ₁, θ₂, ..., θ₁₀₀万}车和人很难用几个参数手工写死但几十万级的参数可以通过上万张标注好的图片训练出来且难以逐个解释——这也正是“可解释性”成为机器学习独立研究方向的原因。2.2 按反馈信号分类2.2.1 监督学习监督学习是机器学习和人工智能中的一种算法学习训练方式其核心特点是训练数据包含输入特征与对应的正确标签模型通过学习输入与输出之间的映射关系在新数据上实现准确预测。存在对错。举例训练垃圾邮件过滤器。人工先标注 10 万封邮件每封标为“垃圾/正常”模型学习其中的关键词、发件人域名、链接结构。新来一封邮件时直接给出“垃圾邮件置信度 97%”——答案有明确的正确与错误。2.2.2 无监督学习无监督学习是在没有明确标签的情况下进行学习让算法自行从输入数据中发现隐藏的结构、规律或模式靠“数据内在结构”反馈。没有对错只找规律。举例拿到 100 万用户的消费记录但没有任何“用户类型”标签。聚类算法自动发现这群人只在周五晚上买酒、这群人只买母婴用品且客单价高、这群人几乎不消费只签到领积分。这时才需要业务人员事后给这三个簇起名字“商务应酬型”“育儿家庭型”“沉睡用户”——标签是人看完结果才补上的不是训练前就有的。2.2.3 半监督学习半监督学习利用少量“有标签”的数据带标准答案和大量“无标签”的数据无答案共同进行训练以此来提升模型的预测精度是介于监督学习和无监督学习之间的取舍。举例训练肺结节 CT 影像识别。让放射科医生标注 1000 张片子需要数月成本极高而医院积累了 20 万张同类 CT 却大多没标注。半监督学习用1000 张有标签 20 万张无标签共同训练效果显著优于只用手头的 1000 张也远优于瞎猜标签。其典型思路伪标签是先用 1000 张有标签数据训出模型 → 给 20 万张无标签数据“打上预测标签”并筛出置信度高的部分 → 把它当作新增标注数据 → 重新训练 → 如此迭代。2.2.4 自监督学习自监督学习是一种特殊的无监督学习形式其特点是让数据自己标注自己。它与半监督学习的核心区别在于半监督学习仍依赖少量真实标签标签由人提供而自监督学习完全不用人工标签。举例语言模型GPT数据就是互联网上已有的文本。给它一句话“今天天气真”让它预测下一个词答案天然就存在于原文里不需要任何人标注。BERT把句子随机遮住如“我今天去了[MASK]京”让它猜出“北”——同样是从文本自身构造出答案。图像领域把图片切成块随机遮住 75% 的一块让模型还原或把图片旋转/裁剪后判断“原图还是被改动过”。可以这样区分三者类型标签来源举例监督学习人工标注10 万封人工标好的垃圾邮件半监督学习少量人工 大量无1000 张医生标注片 20 万张未标注片自监督学习数据自身无人工用文本本身当答案做“下一词预测”2.2.5 强化学习强化学习是一种通过与环境交互来学习最优策略的机器学习范式其反馈信号来自奖励函数而非直接的标签。通过奖励在试错中积累经验追求长期收益最大化。举例 1游戏AlphaGo 没有告诉机器“这步棋好/不好”只定义规则“赢了得 1 分输了 −1 分”。机器自己下数百万局逐渐摸索出在第 37 手该五路连提。举例 2机器人训练宇树的机器狗走路奖励函数 “身体重心越平稳 10 分、向前走 1 米 5 分、摔倒 −20 分、耗电 −1 分”。开始时它像喝醉了一样原地抽搐几万次迭代后逐渐学会稳定行走。举例 3推荐用户看视频点了/划走就是奖励信号目标是让长期观看时长最大化——所以它可能推荐一集需要追更 8 集的剧而不只是当下最吸引人的那一集。与分类的本质区别分类的反馈是“标准答案”强化学习的反馈是“打分”——模型必须自己探索出什么动作值得做。2.3 按任务类型分类2.3.1 分类分类是一种监督学习任务旨在根据输入数据的特征将其划分到预先定义好的、离散的类别标签中。在分类问题中输出变量为离散标签例如“是/否”、“垃圾邮件/非垃圾邮件”、“猫/狗”等。举例二分类输入一封邮件的文本输出 {垃圾邮件, 正常邮件}概率形如P(垃圾)0.97。多分类输入一张图片输出 {猫, 狗, 鸟, 马, 汽车, 卡车} 中的一类——仍是离散的 6 个候选之一。多标签分类一张图可以同时是“猫”和“户外”输出是一组标签而非单个。判断标准输出是有限个离散类别。2.3.2 回归回归是一种监督学习任务旨在建立一个数学模型来拟合输入特征与连续数值型输出之间的映射关系模型需学习该关系以实现对新样本的连续值预测。举例上面 2.1 的房价模型。输入 89 ㎡、3 房、房龄 8 年输出312.4 万元——注意这不是“高/中/低”三个选项之一而是一个可以取任意实数的连续值。其他例子预测明天最高气温28.5 ℃预测某商品未来一周销量1,342 件预测用户 30 天内流失概率0.17概率本质也是一种回归输出回归与分类的联系很多分类模型其实就是在做“回归 取整/比较”。例如用回归输出房价 312.4 万再套一个规则“≥300 万 高档小区”就变成分类结果。所以回归更基础分类可看作回归在阈值上的离散化。2.3.3 聚类聚类是一种无监督学习任务旨在在没有预先给定类别标签的情况下根据数据样本之间的内在相似性自动将其划分为若干个不相交的簇使得同一簇内的样本彼此相似而不同簇之间的样本差异较大。举例电商想给用户分层手里只有 100 万条订单没有标签。然后根据数据样本之间的相似性自动分为 4 簇。簇特征自动命名事后人工C1月均 12 单、客单 80 元低频小额型C2月均 2 单、客单 3000 元高客单囤货型C3月均 6 单、集中在母婴品类育儿家庭型C4年消费 0 元沉睡用户公司据此发现 C3 是被忽视的高潜力人群随后给不同簇推送不同营销内容。2.3.4 关联规则关联规则是一种无监督学习任务旨在从大规模数据集中发现变量或项之间有趣的隐含依赖关系或共生模式通常表示为“X→Y”的蕴含式尤其在大规模事务数据中表现突出。举例超市分析 10 万张购物小票发现规则“啤酒 → 尿不湿”支持度 0.4%置信度 65%。经典解释是“家里来了新爸爸买尿不湿→ 顺便庆祝一下买啤酒”。超市据此把两类商品摆到相邻货架关联销售直接提升。其他例子“买牛奶 → 也买面包”便利店把两者放在一排“注册免费 → 三天内开通付费”产品据此调整新手引导“基因 A 突变 → 症状 B 出现”医学关联研究2.3.5 序列预测序列预测简单来说就是利用过去一串有顺序的数据来推断未来接下来会发生什么。举例 1销量某超市过去 52 周的鸡蛋销量预测下周该进多少货。关键在于顺序——本周的预测更依赖上周而非半年前的数据。举例 2天气/股价过去 30 天的气温曲线 → 预测明天的最高温度过去 90 个交易日的收盘价 → 预测下一个交易日的走势。举例 3自然语言输入“今天下雨了我” → 预测接下来最可能的词是“带”、“没”还是“回家”。这也是自监督学习的核心任务说明序列预测既可做有监督任务预测数值也可直接从海量文本中自监督训练。举例 4用户行为根据用户过去浏览的 10 个视频预测他下一个会看哪类视频——这直接决定了短视频 App 的推荐链路。判断标准输入是具有时序/顺序依赖的一串数据目标是预测这个序列的下一个或后 N 个元素。总结任务类型有无标签输出形式一句话例子分类有离散标签这封邮件是垃圾邮件吗回归有连续数值这套房值 312.4 万聚类无一组簇把 100 万用户自动分成 4 群关联规则无蕴含式买啤酒的人常买尿不湿序列预测可有可无下一个元素明天最高气温 28.5 ℃