机器学习与深度学习手册.docxVIP

机器学习与深度学习手册

第1章机器学习与深度学习手册

1.1机器学习核心定义与分类

机器学习（MachineLearning,ML）本质上是一种让计算机通过数据分析从经验中自动学习规律，而非像传统编程那样依靠“如果-那么”的显式规则进行硬编码决策的技术。其核心在于模型参数通过反馈信号进行优化，从而提升预测或分类的准确性。学习范式的划分主要依据任务类型，主要分为三大类：监督学习（SupervisedLearning）、无监督学习（UnsupervisedLearning）和强化学习（ReinforcementLearning）。监督学习涉及带有标签的训练数据，无监督学习仅包含原始数据，而强化学习则依赖环境交互和即时奖励信号。

在监督学习中，模型学习的是输入特征与目标标签之间的映射关系，例如识别图片中的猫或狗；在无监督学习中，模型旨在发现数据内部的结构，如聚类算法将相似样本归为一类。强化学习则基于马尔可夫决策过程，智能体通过与环境交互，在“动作-奖励”循环中探索最优策略；其核心机制是通过最大化长期累积奖励来引导行为，常用于游戏或路径规划。半监督学习结合了有监督和无监督的优势，利用大量未标记数据结合少量标记数据训练模型，通过伪标签（Pseudo-labeling）技术提升模型对未标记样本的泛化能力。

模型评估指标体系用于量化模型性能，常见的指标包