什么是机器学习

机器学习(Machine Learning,ML)是人工智能的一个分支,它让计算机从数据中学习规律,而不是靠人写死的规则。

与传统编程的区别

传统编程是这样的:

输入 + 程序(规则) → 输出

机器学习恰好反过来:

输入 + 输出 → 程序(模型)

我们给机器一堆"输入-输出"的样本(叫做训练数据),它自己"琢磨"出一个能根据输入预测输出的程序。

一个最朴素的例子

假设你想根据"房屋面积"预测"房价"。你手上有 50 套房子的数据:

# 训练数据
areas = [50, 60, 80, 100, 120, 150]      # 平方米
prices = [200, 240, 320, 400, 480, 600]  # 万元

传统做法:你琢磨"每平方米 4 万元",写死 price = area * 4。

机器学习做法:把数据丢给一个线性回归模型,让它自己找到最合适的系数(可能是 3.98,也可能是 4.02)。

from sklearn.linear_model import LinearRegression
import numpy as np

X = np.array(areas).reshape(-1, 1)
y = np.array(prices)

model = LinearRegression()
model.fit(X, y)

# 现在可以预测任何面积的房子
print(model.predict([[90]]))  # 预测 90 平米的价格

机器学习能做什么

机器学习在 4 类任务上大放异彩:

1. 预测回归:预测房价、股价、销量、气温这种连续值
2. 分类识别:判断邮件是不是垃圾邮件、图像里有没有猫、肿瘤是良性还是恶性
3. 聚类分组:把用户分成几类、把新闻按主题归堆(没有标准答案,机器自己找)
4. 生成创作:写文章、画图谱曲、生成代码(以 ChatGPT、Midjourney 为代表)

为什么现在才火起来

机器学习的概念早在 1950 年代就提出了,但真正爆发是 2012 年之后。三个原因缺一不可:

• 数据:互联网和移动设备产生海量数据
• 算力:GPU 让训练大模型从几个月变成几小时
• 算法:深度学习的突破(尤其是 2012 年的 AlexNet 在 ImageNet 比赛夺冠)

小结

• 机器学习 = 让计算机从数据中自动学出规律,而不是写死规则
• 核心范式:用训练数据 (X, y) 拟合出模型 f,再用 f(X_new) 预测
• 主流任务:回归、分类、聚类、生成
• 三大支柱:数据 + 算力 + 算法

练习思考

1. 想一个你身边可以用"机器学习"解决的预测问题,写下来。
2. 为什么"识别手写数字"是一个机器学习问题,而不是传统编程问题?
3. 用一句话给你的朋友解释"机器学习"和"传统编程"的区别。