人工智能与深度学习手册（执行版）.docxVIP

与深度学习手册（执行版）

第1章基础架构与核心概念

1.1机器学习原理与监督/无监督学习范式

机器学习（MachineLearning,ML）的核心在于通过数据训练让计算机从经验中自动学习规律，而非依赖人工编写代码。其基本流程是输入数据、训练模型、评估性能并迭代优化。在监督学习中，模型需要学习“输入-输出”的映射关系，例如用图像识别任务为例，输入是图像像素数据，输出是类别标签，模型通过对比输入图像与真实标签的差异来调整权重。无监督学习则不依赖预定义的标签，旨在发现数据内部的潜在结构和聚类规律。典型的算法如K-Means聚类，会将数据点划分为若干个簇（Cluster），使得同一簇内的样本相似度最高。例如，在客户数据分析中，无监督学习可以自动识别出“高价值客户”和“价格敏感型客户”两个无标签的群体，从而指导营销策略。

监督学习的核心指标是准确率（Accuracy）和损失函数（LossFunction），损失函数衡量预测值与真实值之间的差距，如均方误差（MSE）或交叉熵（Cross-Entropy）。算法通过最小化损失函数来更新参数，例如在回归任务中，模型会不断微调参数使预测线尽可能贴近真实数据点的分布。无监督学习的关键在于评估指标如轮廓系数（SilhouetteScore）或Davies-Bouldin指数，用于衡量簇的紧凑性和分离度。例如，在文档分