机器学习核心概念

机器学习简介

机器学习是指训练一款称为"模型"的软件，以便根据数据做出有用的预测或生成内容。根据机器学习预测或生成内容的方式，可分为以下类别：监督式学习、非监督式学习、强化学习、生成式 AI。

监督式学习

监督式学习模型在查看包含正确答案的大量数据后，可以发现产生正确答案的数据元素之间的关联，然后进行预测。这些机器学习系统是“监督式”的，这意味着人类会向机器学习系统提供包含已知正确结果的数据。

监督式学习模型分类

• 回归：回归模型可预测数值，如预测降雨量天气模型、预测房价、预测行程时间；
• 分类：分类模型可预测某个对象属于某个类别的可能性。与输出为数字的回归模型不同，分类模型输出一个值，用于表明某个对象是否属于特定类别。分类模型分为两类：二元分类和多类分类，二元分类模型会输出仅包含两个值的类中的值，例如，输出 rain 或 no rain 的模型；多类分类模型会从包含多个值的类中输出一个值，例如，可以输出 rain、hail、snow 或 sleet 的模型。

监督式学习核心概念

• 数据集：数据集由包含特征和标签的各个示例组成

非监督式学习

监督式学习模型通过获得不含任何正确答案的数据来进行预测。模型没有关于如何对每项数据进行分类的提示，而是必须推断自己的规则。非监督式学习常用聚类技术，用于查找可划分自然分组的数据点，聚类与分类不同，因为类别不是由您定义的。

强化学习

强化学习模型根据在环境中执行的操作获得奖励或惩罚，从而进行预测。而进行预测。强化学习系统会生成政策，定义用于获得最多奖励的最佳策略。

强化学习多用于训练机器人执行任务（例如在房间内四处走动），以及训练 AlphaGo 等软件程序玩围棋。

生成式 AI

生成式 AI 是一类根据用户输入生成内容的模型。生成式 AI 可以接受各种输入，并生成各种输出，例如文本、图片、音频和视频。

为了生成独特且富有创意的输出，生成式模型最初使用非监督式方法进行训练，在这种方法中，模型会学习模仿其训练数据。有时，系统会使用监督学习或强化学习，针对与模型可能被要求执行的任务（例如总结文章或编辑照片）相关的特定数据，对模型进行进一步训练。

机器学习模型

线性回归

逻辑回归

分类

阈值和混淆矩阵

准确率、召回率相关指标

数据

数据集、泛化、过拟合

高级机器学习模型

神经网络

嵌入

大语言模型 LLM

本文适用于机器学习小白选手，只是浅显地介绍一些概念，主要目的是扫盲，能大致听懂专业人士的话就行。