零基础学 AI：人工智能入门指南
本章小结：机器学习原理
本章深入介绍了机器学习的核心原理和四大学习范式，帮助读者理解 AI 系统“学习”的本质。 | 范式 | 数据 | 学习方式 | 典型应用 | |------|------|----------|----------| | 监督学习 | 带标签 | 从示例学习 | 分类、…
本章小结
本章深入介绍了机器学习的核心原理和四大学习范式，帮助读者理解 AI 系统“学习”的本质。
核心要点回顾
机器学习的核心思想
- 机器学习本质上是一种“归纳法”，从历史数据中总结规律
- 归纳法很强大，但永远无法获得绝对真理（“罗素的火鸡”）
- 四大门派：监督学习、无监督学习、强化学习、自监督学习
监督学习
- 使用带标签的数据进行训练，本质是“填鸭式教育”
- 分类问题（做选择题）vs 回归问题（做填空题）
- 最大瓶颈：高质量标签数据的获取成本极高
无监督学习
- 处理无标签数据，在没有“标准答案”的情况下发现规律
- 三大法宝：聚类（“物以类聚”）、降维（“把书读薄”）和异常检测（“从寻常中发现不寻常”）
强化学习
- 智能体通过与环境交互，靠“奖励”和“惩罚”来学习
- 延迟满足（Delayed Reward）是最大难点
- RLHF 让大模型学会了“说人话”，是 ChatGPT 成功的关键
自监督学习
- 介于监督与无监督之间，数据本身即标签
- 核心机制：掩码（挖空）与预测（填空），类似“完形填空”
- 把海量无标注的互联网文本变成了训练“金矿”
- 是 GPT（文字接龙）和 BERT（完形填空）预训练的基础
四大范式对比
| 范式 | 数据 | 学习方式 | 典型应用 |
|---|---|---|---|
| 监督学习 | 带标签 | 从示例学习 | 分类、回归 |
| 无监督学习 | 无标签 | 发现模式 | 聚类、降维 |
| 强化学习 | 交互产生 | 试错学习 | 游戏、控制 |
| 自监督学习 | 原始数据 | 自我预测 | 语言模型、预训练 |
延伸思考
- 既然机器学习（归纳法）注定无法完全准确地预测未来，我们为什么还敢让 AI 做自动驾驶？
- 强化学习在游戏中取得了巨大成功，为什么在商业应用中仍相对有限？
- 自监督学习是如何降低对标注数据依赖的？这对 AI 发展有什么影响？
下章预告
下一章将深入探讨深度学习，解析神经网络的工作原理，介绍关键的深度学习技术，以及主流的网络架构（如 CNN、RNN、Transformer），让读者理解当今最先进 AI 系统的技术核心。
📝 发现错误或有改进建议？ 欢迎提交 Issue 或 PR。