机器学习、人工智能、深度学习是什么关系？
1956 年提出 AI 概念，短短 3 年后（1959），Arthur Samuel 提出机器学习概念：
Field of study that gives computers the ability to learn without being explicitly programmed.
机器学习不是某一具体算法，而是许多算法的统称。深度学习是机器学习的一种，其他常见方法包括决策树、聚类、贝叶斯等。深度学习灵感来自大脑神经元互连，人工神经网络（ANN）即模拟大脑生物结构的算法。
人工智能（AI）包含机器学习（ML），而机器学习包含深度学习（DL），三者关系如下：
面向所有人的机器学习科普大全
什么是机器学习？
机器学习的核心思路是通过算法让计算机从数据中学习并进行预测，而非人工编写规则。理解其本质，有助于更好地应用于工作与生活中。
机器学习的基本思路
机器学习的三步核心流程：
- 将现实问题抽象为数学模型，并明确参数含义；
- 利用数学方法求解模型，解决实际问题；
- 评估模型效果，判断其是否真正解决问题及效果如何。
不是所有问题都可转化为数学模型，只有可数学化的问题才能由 AI 解决。
机器学习的原理
以监督学习为例，类比人类识字过程：
我们展示写有“一、二、三”的卡片，让小朋友学习识别，反复训练后，小朋友学会识字。
在机器学习中：
- 训练集：识字卡片；
- 特征：卡片上横线条数；
- 建模：反复学习过程；
- 模型：学会识字后总结的规律。
整个过程即“机器学习”。
监督学习、非监督学习、强化学习
监督学习
在训练集中，所有样本都有正确标签。机器通过学习标签数据，掌握预测方法。
示例：给猫狗照片打标签，训练后可识别新照片中的猫或狗。
【当机器遇到新的小狗照片时就能认出它】
这种通过大量人工打标签来帮助机器学习的方式就是监督学习。这种学习方式效果非常好，但是成本也非常高。
非监督学习
训练集中无标签，机器需从数据中挖掘潜在结构。
示例：将未标注的猫狗照片聚类成两类，但机器并不知哪类为猫、哪类为狗。
通过学习，机器会把这些照片分为2类，一类都是猫的照片，一类都是狗的照片。虽然跟上面的监督学习看上去结果差不多，但是有着本质的差别：
非监督学习中，虽然照片分为了猫和狗，但是机器并不知道哪个是猫，哪个是狗。对于机器来说，相当于分成了 A、B 两类。
强化学习
智能体在环境中通过行为获得回报，以最大化累积回报为目标。
典型场景：游戏。2019 年，AlphaStar 完虐《星际争霸》职业选手 TLO 与 MANA。
【强化学习示例：AlphaStar】
机器学习实操的7个步骤
步骤1：收集数据
我们在超市买来一堆不同种类的啤酒和红酒，然后再买来测量颜色的光谱仪和用于测量酒精度的设备。
接下来，我们把每瓶酒都标记出它的颜色和酒精度，从而形成如下表格：
| 颜色 | 酒精度 | 种类 |
|---|---|---|
| 610 | 5 | 啤酒 |
| 599 | 13 | 红酒 |
| 693 | 14 | 红酒 |
| … | … | … |
这一阶段的关键是数据的 数量与质量，它们直接决定了后续模型的好坏。
步骤2：数据准备
在这个例子中，数据看似整洁，但现实中常需进行数据清洗、处理缺失值、异常值等操作。
当数据准备完成后，我们将其划分为：训练集（60%）、验证集（20%）、测试集（20%），用于模型训练、调优与评估。
数据准备还可包括标准化、归一化、数据增强等技巧，更多细节可参考《AI 数据集最常见的6大问题（附解决方案）》。
步骤3：选择一个模型
研究人员开发了各种模型，适用于不同数据类型：
- 图像数据 → 卷积神经网络（CNN）
- 序列数据 → 循环神经网络（RNN）
- 数字/表格数据 → 线性模型、决策树、随机森林等
在本示例中，我们只有两个特征（颜色、酒精度），可使用简单的线性模型进行预测。
步骤4：训练
训练阶段无需人工干预，机器通过算法自动学习模型参数，类似于“做算术题”。
虽然训练看似重要，但数据质量与模型选择往往比训练过程本身更为关键。
步骤5：评估
训练完成后，使用验证集和测试集评估模型性能。常见指标包括准确率（Accuracy）、召回率（Recall）、F1 值等。 这个过程就不需要人来参与的，机器独立就可以完成，整个过程就好像是在做算术题。因为机器学习的本质就是将问题转化为数学问题，然后解答数学题的过程。
评估结果反映了模型在未见数据上的表现，衡量其在真实场景中的可用性。
步骤6：参数调整
根据评估结果，对模型超参数进行调整（如学习率、正则化强度、树的深度等），以提升模型性能。
参数调整通常结合交叉验证或网格搜索等方法，反复试验找到最佳配置。
步骤7：预测
在前六步的基础上，使用最终模型对新数据进行预测。例如，当我们购买一瓶新酒，只需输入其颜色和酒精度，模型即可判断其是红酒还是啤酒。
示例案例：区分红酒与啤酒
YouTube 视频：《The 7 Steps of Machine Learning》（需科学上网）
15种经典机器学习算法
| 算法 | 训练方式 |
|---|---|
| 线性回归 | 监督学习 |
| 逻辑回归 | 监督学习 |
| 线性判别分析 | 监督学习 |
| 决策树 | 监督学习 |
| 朴素贝叶斯 | 监督学习 |
| K邻近 | 监督学习 |
| 学习向量量化 | 监督学习 |
| 支持向量机 | 监督学习 |
| 随机森林 | 监督学习 |
| AdaBoost | 监督学习 |
| 高斯混合模型 | 非监督学习 |
| 限制玻尔兹曼机 | 非监督学习 |
| K-means 聚类 | 非监督学习 |
| 最大期望算法 | 非监督学习 |
百度百科+维基百科
更多详情请参考百度百科和维基百科相关条目。
补充资料2：优质扩展阅读
详细了解机器学习，请参考文章《面向所有人的机器学习科普大全》。
发表评论