机器学习

概述

参考：

Machine learning(机器学习，简称 ML) 是一个致力于理解和构建让机器“学习”的方法的领域 - 就是利用数据提高计算机在某些任务上性能的方法。

就像人需要学习一样，机器也需要学习。机器学习是人工智能的一个广泛子领域。

机器学习通常需要一个模型和训练模型的方法，通过训练好的模型，可以更准确得预测或分类新的未见过的数据。e.g. 自然语言处理中，当我们向模型提交输入的文字后，模型会根据参数，逐步预测将要输出的每一个文字，每个文字都是由模型根据训练好的参数，依据统计学的百分比概率推导出来的。

我们人类好像也是通过这种方式沟通的，每个字都在脑子中依据已有知识，推理出来后，逐一说出来。

TODO: 这都是啥？

  • Convolutional Neural Network(卷积神经网络简称 CNN)
  • Transformer(变压器)
  • Generative Adversarial Network(对抗网络模型，简称 GAN)
  • Data mining(数据挖掘)

学习方法

参考：

TODO:

  • RLHF # Reinforcement Learning from Human Feedback(基于人类反馈的强化学习)
    • B 站 - AI老兵文哲，大模型成功背后的RLHF到底是什么？
    • 个人理解：有点像强化学习，但是对完成目标提供的奖励不是提前设计好的。这个奖励通常是一个评分体系，由人类预先训练模型（假如称为 Mentor）进行的打分。然后让待训练的模型，被整个 Mentor 打分，直到这个待训练的模型可以获得最高的分数。

机器学习方法传统上分为三类，它们对应于学习范式，取决于学习系统可用的“信号”或“反馈”的性质：

  • Supervised learning(监督学习) # 使用有标注的数据集 ——> 学习输入的数据和输出的数据之间的关系 ——> 预测新数据
  • Unsupervised learning(无监督学习) # 使用无标注的数据集 ——> 学习数据中的内在结构并分类 ——> 可以判断新数据属于哪类
  • Reinforcement learning(强化学习) # 设定规则与目标，以及完成目标的奖励 ——> 学习如何在规则内完成目标并获取奖励，不断尝试 ——> 可以对相同目标执行最佳策略

监督学习:

  • 训练数据包含输入特征和对应的标签/答案
  • 例如：图片分类中,每张图片都标注了"猫"或"狗"
  • 算法目标是学习输入到标签的映射关系
  • 常见应用：分类、回归预测
  • 最终目标是：给一张新图片，能准确判断是猫还是狗

无监督学习:

  • 训练数据只有输入特征，没有标签，训练数据是 1000 张动物图片，但没有任何标注
  • 模型会基于图片的相似度(如颜色分布、形状特征等)自动分组
  • 最终可能会将图片分成几类:
    • 一类都是毛茸茸、有尖耳朵的(实际上是猫，但是模型并不知道这叫 ”猫“，文字只是人类的定义)
    • 一类都是体型较大、有长嘴的(实际上是狗，但是模型并不知道这叫 ”狗“，文字只是人类的定义)
    • 但模型并不知道这些类别的具体含义
  • 算法目标是发现数据中的内在结构和模式
  • 常见应用：聚类分析、降维、异常检测
  • 最终目标是：给一张新图片，能够判断它与哪组已有图片最相似，将它自动归类到相应的组别中

强化学习：

  • 训练过程中没有预设的标准答案，而是通过与环境交互获得奖励反馈
  • 例如：训练一个游戏 AI，开始时完全不知道游戏规则
  • 智能体（Agent）在游戏中随机尝试各种操作：
    • 做出好的动作 → 获得正奖励（如得分、过关）
    • 做出坏的动作 → 获得负奖励（如扣分、死亡）
  • 通过不断试错，智能体逐渐学会：
    • 哪些行为能带来更多奖励
    • 如何制定长期策略来最大化总收益
  • 算法目标是学习最优的行为策略（Policy）
  • 常见应用：游戏AI、机器人控制、自动驾驶、推荐系统
  • 最终目标是：在任何游戏状态下，都能选择最优的行动来获得最高分数

简单来说:

  • 监督学习像是有老师指导的学习，告诉你答案是什么，需要自己总结数据中的规律
  • 无监督学习像是自学，需要自己发现数据中的规律
  • 强化学习像是通过实践学习，在做中学，通过成功和失败的经验积累最优策略

模型

机器学习 通常包含 Model(模型) 的训练

模型通常可以应用于 1 种或多种 Tasks(任务)。

任务

Tasks(任务) 通常是指一种具体的 AI 应用场景，比如 计算机视觉 的 目标检测、自然语言处理 的 情感分析、etc. 这些都属于 Task。有的地方将 Tasks 称为 Sub-domains(子领域)

Claude 问题: 常见的 AI 任务有哪些？

回答:

以下是一些常见的AI任务:

  • 自然语言处理
    • 文本分类
    • 情感分析
    • 机器翻译
    • 问答系统
  • 计算机视觉
    • 图像分类
    • 目标检测
    • 人脸识别
  • 语音技术
    • 语音识别
    • 语音合成
  • 推荐系统
  • 预测分析
  • 自动驾驶
  • 游戏AI
  • 异常检测
  • 机器人控制

这些只是AI应用的一部分。AI技术正在不断发展,应用领域也在持续扩大。您对其中哪个领域特别感兴趣?我可以提供更多相关信息。


最后修改 September 15, 2025: gpu. maching learning. nginx ssl. vector (db339b4f)