机器学习与应用手册.docxVIP

机器学习与应用手册

第1章机器学习基础概念与核心算法

1.1机器学习定义与三大范式

机器学习（MachineLearning,ML）是指通过历史数据训练模型，使计算机系统能够自动从数据中识别模式并进行预测或决策的过程，其核心在于从“数据驱动”转向“模型驱动”。机器学习的三大范式构成了现代的理论基石：第一种是监督学习（SupervisedLearning），即使用标注好的数据（输入-输出对）进行训练；第二种是非监督学习（UnsupervisedLearning），即利用无标签数据进行聚类或降维；第三种是强化学习（ReinforcementLearning），即通过试错与奖励机制在环境中学习最优策略。

在监督学习中，算法需要区分两类样本：正样本（如“猫”）和负样本（如“狗”），通过最大化分类边界来学习映射函数；非监督学习则关注样本间的相似性，将数据划分为不同的簇（Clusters）；强化学习则定义了一个智能体与环境交互的回合制过程，智能体根据动作获取奖励信号。三大范式的本质区别在于数据是否包含答案以及反馈机制的类型：监督学习依赖人工标注的答案反馈，非监督学习依赖数据内部的统计规律反馈，而强化学习依赖环境奖励信号反馈，且反馈往往具有延迟性。机器学习的应用场景极其广泛，从医疗诊断中的影像识别到自动驾驶中的路径规划，再到金融风控中的欺诈检测，其通用性使得不