#机器学习是什么
机器学习（Machine Learning） 是人工智能的一个分支，它使计算机系统能够从数据中学习，而无需明确的编程指令。
核心思想：让机器像人类一样，通过经验（数据）来改进自己的行为。
#为什么需要机器学习？
在传统编程中，我们编写规则来处理数据：
# 传统编程：人来定义规则
if temperature > 30:
weather = "hot"
else:
weather = "cold"
而在机器学习中，我们让机器从数据中自动发现规则：
# 机器学习：机器自己学习规则
model = LinearRegression()
model.fit(temperature_data, weather_labels)
# 机器自动学到了温度和天气之间的关系
#机器学习的三大范式
#1. 监督学习（Supervised Learning）
- 训练数据包含输入和对应的正确输出（标签）
- 目标：学习从输入到输出的映射关系
- 典型任务：
- 分类（Classification）：输出是离散的类别（如垃圾邮件 / 非垃圾邮件）
- 回归（Regression）：输出是连续的数值（如预测房价）
#2. 无监督学习（Unsupervised Learning）
- 训练数据只有输入，没有标签
- 目标：发现数据中的隐藏结构
- 典型任务：
- 聚类（Clustering）：将相似的数据点分组
- 降维（Dimensionality Reduction）：将高维数据可视化
#3. 强化学习（Reinforcement Learning）
- Agent 通过与环境交互学习
- 通过奖励信号（正/负反馈）指导学习
- 典型应用：游戏 AI、机器人控制、推荐系统
#机器学习的工作流程
收集数据 → 数据预处理 → 选择模型 → 训练 → 评估 → 部署
↓ ↓ ↓ ↓ ↓ ↓
数据源 清洗/转换 算法选择 学习参数 测试集 实际应用
#关键步骤说明
- 数据收集：收集与任务相关的样本数据
- 数据清洗：处理缺失值、异常值、格式不统一的问题
- 特征工程：选择和变换特征（这是最重要的步骤之一）
- 模型选择：根据数据特点和任务选择合适的算法
- 模型训练：用训练集数据让模型学习
- 模型评估：用测试集评估模型的泛化能力
- 模型部署：将模型集成到实际系统中
#李宏毅老师课程的特色
李宏毅老师的课程以清晰易懂著称：
- ✅ 数学公式推导详细，每一步都讲清楚
- ✅ 代码实现完整，使用 PyTorch 框架
- ✅ 可视化丰富，帮助理解复杂概念
- ✅ 循序渐进，从简单到复杂
下一节：线性回归 →