想象一下，你要教计算机识别猫。
传统编程的方法：你写规则——“有尖耳朵的是猫”、“有胡须的是猫”、“会喵喵叫的是猫”……
但猫的形态千变万化，你无法写出所有规则。
机器学习的方法：你给计算机看一万张猫的照片，告诉它"这是猫"。计算机自己发现猫的特征。
这就是机器学习的核心思想：不是告诉计算机怎么做，而是让它从数据中学习。
机器学习的类型#
机器学习有几种主要类型：
监督学习（Supervised Learning）
给计算机带标签的数据，让它学习输入和输出的关系。
比如：给计算机看一万张猫的照片，每张都标注"猫"。计算机学习后，可以识别新的猫照片。
无监督学习（Unsupervised Learning）
给计算机没有标签的数据，让它自己发现模式。
比如：给计算机一堆客户数据，让它自动把客户分成几类。
强化学习（Reinforcement Learning）
计算机通过试错学习，好的行为得到奖励，坏的行为受到惩罚。
比如：让计算机玩电子游戏，赢了得分，输了扣分。计算机学习如何获得最高分。
机器学习的历史#
机器学习不是新技术，它有悠久的历史。
1950年代：图灵提出"机器能思考吗？“的问题。最早的机器学习程序出现。
1959年：Arthur Samuel开发了跳棋程序，可以自我学习。他创造了"机器学习"这个词。
1960年代：感知机（Perceptron）出现，是神经网络的雏形。
1980年代：决策树、支持向量机等算法出现。但计算能力有限，应用不多。
1990年代：机器学习开始实用化。垃圾邮件过滤、手写识别等应用出现。
2000年代：随机森林、梯度提升等算法流行。Netflix Prize推动了推荐系统发展。
2010年代：深度学习爆发，AI进入新纪元。
经典算法#
机器学习有很多经典算法：
线性回归
预测连续值。比如根据房屋面积预测房价。
逻辑回归
分类问题。比如预测邮件是否是垃圾邮件。
决策树
用树状结构做决策。比如：如果年龄>30且收入>50000，则批准贷款。
随机森林
多棵决策树投票。更准确，更稳定。
支持向量机（SVM）
找到最佳分界线，把不同类别分开。
K近邻（KNN）
找最近的邻居，看邻居是什么类别。
朴素贝叶斯
基于概率的分类。常用于垃圾邮件过滤。
K-means聚类
把数据分成K组。常用于客户分群。
这些算法至今仍在使用，各有适用场景。
机器学习的应用#
机器学习已经无处不在：
垃圾邮件过滤
Gmail自动识别垃圾邮件，准确率超过99%。
推荐系统
Netflix推荐电影，亚马逊推荐商品，抖音推荐视频。
图像识别
人脸识别、车牌识别、医学影像诊断。
语音识别
Siri、Alexa、小爱同学，都能听懂你的话。
自然语言处理
机器翻译、情感分析、智能客服。
欺诈检测
银行检测异常交易，防止信用卡欺诈。
自动驾驶
特斯拉、Waymo使用机器学习识别道路和障碍物。
机器学习的局限#
机器学习不是万能的。
需要大量数据：数据太少，模型无法学习。
需要标注：监督学习需要人工标注数据，成本高。
黑盒问题：深度学习模型很难解释为什么做出某个决策。
偏见问题：训练数据有偏见，模型也会有偏见。
对抗攻击：精心设计的输入可以欺骗模型。
泛化能力：模型在新数据上可能表现不佳。
机器学习的工作流程#
一个机器学习项目通常包括：
1. 数据收集：获取相关数据
2. 数据清洗：处理缺失值、异常值
3. 特征工程：选择和构造有用的特征
4. 模型选择：选择合适的算法
5. 模型训练：用数据训练模型
6. 模型评估：测试模型效果
7. 模型部署：把模型应用到实际场景
8. 持续监控：监控模型表现，必要时重新训练
从机器学习到深度学习#
机器学习的一个分支——深度学习——在2010年代爆发。
深度学习使用多层神经网络，可以自动学习特征，不需要人工设计。
深度学习在图像识别、语音识别、自然语言处理等领域取得了突破性进展。
明天，我们来讲深度学习的爆发。
今日知识点#
机器学习（Machine Learning） 让计算机从数据中学习，而不是显式编程。机器学习包括监督学习、无监督学习、强化学习等类型。
监督学习（Supervised Learning） 用带标签的数据训练模型。模型学习输入和输出的关系，然后可以预测新数据的输出。分类和回归是常见的监督学习任务。
特征工程（Feature Engineering） 选择和构造对预测有用的特征。特征工程是机器学习的关键步骤，好的特征可以大大提高模型效果。
思考题#
- 传统编程需要人类写规则，机器学习让计算机自己学习。你觉得哪种方式更好？
- 机器学习已经无处不在。你能想到生活中还有哪些机器学习的应用？
明天预告：深度学习爆发——AlphaGo如何击败世界冠军，震惊世界？