-
发展历程
机器学习是人工智能研究发展到一定阶段的必然产物。二十世纪五十年代到七十年代，人工智能研究处于‘推理期’，人们认为只要赋予机器逻辑推理能力，机器就具有智能。在那个时代，图灵发表了一篇划时代的论文，提出了著名的图灵测试：如果一台机器能够与人类展开对话而不能被辨别出其机器身份，那么称这台机器具有智能。后来出现了三大主流：分别为符号主义学习、连接主义学习以及统计主义学习，这几个主流研究的是从样例中进行学习。到现在为止，从样例中学习仍然是大趋势，目前很火的'sora','chatgpt','目标检测算法'等都是依靠从样例中学习，从而对模型的神经网络中参数进行调整，进而使模型达到智能的效果。
机器学习的三大发展阶段：
早期阶段（1950-1980）：代表算法为感知机模型、最近邻算法；
中期发展阶段（1980-2010）：代表算法为决策树和集成学习；
快速发展阶段：代表算法为神经网络，就是现在的深度学习。
纵观整个机器学习发展阶段，可以了解到机器学习就是使计算机具有学习，交流的能力。我们人是依靠大脑进行识别物体，记忆以及思考问题，建立机器学习模型便是构建神经元组成，它促使我们理解‘人类如何学习’，视觉，听觉，嗅觉在大脑形成并传递，那我们所形成的机器学习模型是否也能处理这些动作呢，一起看看吧！
-
机器学习的应用
机器学习是用算法指导计算机利用已知数据得出适当的模型，并利用此模型对新的数据给出判断预测。我认为，可以简单理解为大数据统计处理，目的是从数据中自动分析自然规律，并利用规律对未知数据进行预测，比较经典的机器学习算法应用应该是‘推荐算法’，该算法能够根据用户对事物的偏好，发现事物之间的相似度，发现与用户相似的用户群，进而为用户推荐一个期望的结果。
-
机器学习类型
机器学习有四种类型：有监督学习、半监督学习、无监督学习以及强化学习。
有监督学习：输入有标记的训练集，将预测结果与实际结果比较，直到模型达到预期的准确程度，主要用在分类和回归问题；
半监督学习：输入部分有标记，大部分无标记的训练集，主要用在标注成本高的问题；
无监督学习：没有目标变量，依靠数据本身去识别变量的内在特征，主要用在聚类和关联分析问题；
强化学习：以试错的方式进行学习，通过奖励指导行为使智能体获得最大奖赏或特定目的，主要用在机器人控制，计算机视觉，自然语言处理问题。
使用强化学习通关宝可梦：
使用强化学习训练AI玩宝可梦_哔哩哔哩_bilibili
模型学习的评估
我们需要知道的是，学习不是为了去提高你预测的准确性，而是尽可能地减小范化误差，因为大数据讲究的是全量而非抽样，机器学习同样应该在训练中提取到适用于所以潜在样本的‘普遍规律’，这样才能在遇到新样本时做出正确判别。当学习器把训练样本学得太好了，可能会把训练样本的本身特点当做潜在样本都具有的性质，导致范化性降低，这种现象称为‘过拟合’。但当学习器没有把训练样本学好时，又会产生准确性降低的现象，这种现象称为‘欠拟合’。下篇文章我将细讲模型精度与范化程度之间的关系，期待一下吧。
-
机器学习操作流程
主要分为三大阶段：准备阶段、训练阶段、预测阶段。
S1：准备阶段：数据采集与标注、数据预处理、特征优化；
S2：训练阶段：模型构建与训练、模型评估与调优；
S3：预测阶段：模型预测。
我们知道越来越多的公司使用了机器学习大模型，所以现在是一个机会去了解机器学习去应用到社会的什么东西，比如制造业的维护预测、销售行业的喜好检测等。
