机器学习概述
- 默认模式
- 浅蓝色模式
- 淡绿色模式
- 深夜模式
什么是机器学习？
机器学习（Machine Learning, ML）是人工智能（Artificial intelligence, AI）的核心分支，旨在通过数据和算法让计算机系统自动 “学习” 并改进性能，而无需显式编程。那么它和传统编程有什么区别呢？
1. 传统编程（Traditional Programming）
- 逻辑：程序员编写明确的规则（算法），计算机根据输入数据执行这些规则，生成结果。
- 公式表示：数据（Data） + 算法（Algorithms） = 结果（Results）
- 示例：编写排序算法（如快速排序），输入数据后直接输出排序结果。
2. 机器学习（Machine Learning）
- 逻辑：通过输入大量“数据及其对应结果”，系统自动学习其中的规律，生成能够预测新数据的算法（模型）。
- 公式表示：数据（Data） + 结果（Results） = 算法（Algorithms）
- 示例：给定一批猫狗图片及标签（结果），训练一个模型来自动识别新图片是猫还是狗。
什么是神经网络？
神经网络（Neural Networks, NN）是一种模仿生物神经元结构的计算模型。在神经元之间相互传递信息、神经元反复尝试解决问题时，它会强化那些导致成功的连接，同时弱化那些导致失败的连接。
神经网络由多个感知机扩展而来，核心特点包括：
- 隐藏层（≥1层，实现非线性变换）
- 多层连接（输入层→隐藏层→输出层）
- 通用激活函数（如Sigmoid、ReLU）
如上图所示，在最简单的形式中，神经网络由以下部分组成：输入层（黄色）、隐藏层（蓝色）、输出层（红色）。在神经网络模型中，输入数据（黄色）在产生最终输出（红色）之前，会针对隐藏层（蓝色）进行处理。
第一层：
黄色感知器根据输入做出简单的决策。每个决策都被发送到下一层的感知器。
第二层：
蓝色感知器通过权衡第一层的结果来做出决策。这一层在比第一层更抽象的层面上做出更复杂的决策。
什么是感知机？
感知机（Perceptron）是最简单的神经网络，由 Frank Rosenblatt 于1957年提出，结构包括：输入层（接收特征）、输出层（二元分类结果，如0/1）、权重与激活函数（如阶跃函数）。
什么是深度神经网络？
深度神经网络（Deep Neural Networks, DNN）由几个隐藏的神经网络层组成，这些神经网络对大量数据执行复杂的操作。每个连续层都使用前一层作为输入。例如，光学读取使用低层来识别边缘，使用高层来识别字母。
在深度神经网络模型中，输入数据（黄色）针对隐藏层（蓝色）进行处理，并针对更多隐藏层（绿色）进行修改，以产生最终输出（红色）。
第一层：
黄色感知器根据输入做出简单的决策。每个决策都被发送到下一层的感知器。
第二层：
蓝色感知器通过权衡第一层的结果来做出决策。这一层在比第一层更抽象的层面上做出更复杂的决策。
第三层：
更复杂的决策是由绿色感知器做出的。
什么是深度学习？
深度学习（Deep Learning, DL）是机器学习的一个子集。深度学习是过去几年人工智能繁荣的原因。深度学习是一种高级的机器学习，可以处理图像识别等复杂任务。
| 机器学习 | 深度学习 |
| 人工智能（AI）的子集 | 机器学习（ML）的子集 |
| 使用较小的数据集 | 使用较大的数据集 |
| 由人类训练 | 自学 |
| 创建简单算法 | 创建复杂算法 |
反馈提交成功
感谢您的反馈，我们将尽快处理您的反馈