人工智能学习笔记 - 机器学习算法

人工智能学习笔记 - 机器学习算法

机器学习是人工智能的重要分支，本质是通过已有数据选择合适的学习方法（数学函数），找到能使损失最小化的函数模型，然后利用这个模型对未知数据进行预测。它强调数据驱动和模型泛化能力，不依赖手工编程规则。

什么是机器学习（Machine Learning）

• 定义：机器学习通过数据让计算机自动学习规律，从而对新数据进行预测或决策，而无需显式编程。

• 核心思想：

  • 从数据中学习规律
  • 模型具备泛化能力，不仅拟合已有数据，还能处理未知数据
  • 通过最小化损失函数（loss function）优化模型参数

• 应用举例：

  • 图像识别
  • 自然语言处理
  • 推荐系统
  • 金融风控

监督学习（Supervised Learning）

• 定义：利用带标签的数据，学习输入特征与输出标签之间的映射关系。

• 数据形式：$\left\{(\mathbf{x}_i, y_i)\right\}_{i=1}^n$

  • $X_i$表示第i个样本中的特征向量
  • $y_i$表示第i个样本中的目标值
  • 意思是一共有n个样本，每个样本包含一个输出 $yi$ 和一个特征向量 $Xi$

• 目标：学习函数 $f$，使得 $f(\mathbf{x}) \approx y$

• 常用算法：

  • 线性回归 / 逻辑回归
  • 决策树 / 随机森林
  • 支持向量机（SVM）
  • 神经网络

• 应用：

  • 房价预测（回归）
  • 邮件垃圾分类（分类）

无监督学习（Unsupervised Learning）

• 定义：仅使用未标注的数据，发现数据内部结构或规律。

• 数据形式：${\mathbf{x}*i}* {i=1}^n$

• 目标：识别数据模式、聚类或降维表示

• 常用算法：

  • K-Means 聚类
  • 层次聚类
  • 主成分分析（PCA）
  • 自编码器（Autoencoder）

• 应用：

  • 客户分群
  • 异常检测
  • 数据降维与可视化