来源链接：https://www.bilibili.com/video/BV1BnZZBTEcL?spm_id_from=333.788.videopod.sections&vd_source=e73a152dada4626bad49c30d848902f7

机器学习入门第一课笔记

1. 核心概念：AI、机器学习、深度学习

1.1 人工智能（Artificial Intelligence, AI）

screenshot *

定义：计算机科学的分支，致力于创建能够模拟、延伸、拓展人类智能的理论、方法、技术及应用系统；核心是让机器具备感知、学习、推理、决策的能力。
日常语境的双重含义：
1. 理论与方法：实现机器智能的科学原理和技术手段
2. 应用载体：具备智能特征的具体产品，例如ChatGPT、智能机器人等

1.2 机器学习（Machine Learning, ML）：AI的核心实现路径

screenshot *

定义：研究如何让计算机无需显式编程，自动从数据中学习背后的规律，并用规律对未来做预测的技术。当前主流AI应用都基于机器学习实现。
与人类决策的区别：人类基于经验总结规律做决策，机器学习基于数据总结规律做决策。

传统编程的局限

screenshot *
传统编程需要开发者明确写出每一步的执行逻辑，仅适合规则清晰的简单任务；对于复杂、难以穷举规则的任务（例如识别图像中的苹果，苹果存在颜色、形态、风格等无数种变化）完全无法实现。

机器学习的解决思路

screenshot *
模仿人类认知事物的过程：

人类认知：观察大量样本，自动提取轮廓、光泽等关键特征，神经元调整后形成对事物的概念。
机器学习：给计算机输入大量标注好的样本（例如标注“是否包含苹果”的图像），让计算机自动捕获数据中的模式，总结规律，最终能够识别从未见过的新样本。
常见误区澄清：机器学习不是不需要编程，而是编程的目标不是写死业务逻辑，而是编写让计算机“如何学习”的规则，因此AI时代仍然需要掌握编程能力。

1.3 深度学习（Deep Learning, DL）：特殊的机器学习

screenshot *

定义：本质属于机器学习，采用多层神经网络架构，能够自动提取数据中更深层次的抽象特征，是当前主流的复杂AI应用的实现基础。
与传统机器学习的对比：

维度	传统机器学习	深度学习
特征处理	需要人工指定模型需要关注的特征	输入原始数据，自动逐层提取特征（从边缘→纹理→整体语义）
擅长数据类型	结构化数据（如表格、Excel数据）	非结构化数据（如图像、文本、音频、视频）
算力要求	低	高，需要海量数据支撑
典型应用场景	金融风控、商品推荐	大语言模型、自动驾驶、智能机器人

1.4 三者的包含关系

screenshot *

人工智能（AI）：最宽泛的概念，所有让机器表现出类似人类智能的技术与产品都属于AI范畴。
机器学习（ML）：实现AI的核心手段，核心是不靠人工写死规则，让机器自动从数据中找规律。
深度学习（DL）：机器学习的子领域，基于神经网络实现，是当前绝大多数复杂AI应用的技术基础。

2. 机器学习的工作原理

2.1 机器决策的核心逻辑

screenshot *
计算机基于数据决策的过程和人类基于经验预测完全一致：

记住历史相似情况：例如人类记住“过去有乌云的日子大多会下雨”
总结通用规律：例如“有乌云大概率会下雨”
用规律预测未来：例如“今天有乌云，所以今天会下雨”
机器的核心是把“经验”替换成“数据”，从数据中提炼规律用来预测。

2.2 什么是模型（Model）

screenshot *

广义定义：对现实世界复杂事物的简化与抽象，目的是更清晰地理解、分析、预测、控制复杂现象。
机器学习领域定义：计算机通过学习大量数据后，自主总结出的一套规则集合，用来对新数据做预测或决策。
例如下雨预测场景中，“出现乌云就会下雨”就是一个简化的模型；垃圾邮件分类场景中，“周末发送且大于10KB就是垃圾邮件”也是一个模型。

算法与模型的区分

算法（Algorithm）：是“学习的方法”，是指导计算机从数据中找规律的明确逻辑步骤，作用是构建模型。
模型（Model）：是“学习的结果”，是算法学习数据后得到的规则集合，作用是预测新数据。
核心关系：算法负责构建模型，模型负责预测未来。

2.3 建模示例：垃圾邮件分类

screenshot *
通过迭代优化垃圾邮件识别模型的过程，直观理解建模的逻辑：

模型1.0：仅基于历史概率

逻辑：统计到历史10封邮件中有6封是垃圾邮件，因此认为新邮件有60%概率是垃圾邮件。
缺点：过于粗糙，准确率极低。

模型2.0：加入发送时间特征

screenshot *

逻辑：观察到历史数据中工作日发送的基本是正常邮件，周末发送的基本是垃圾邮件，因此总结规则“工作日发=正常，周末发=垃圾”。
缺点：规则太绝对，会误杀周末发送的正常邮件（例如徒步活动通知）。

模型3.0：加入文件大小特征，多维组合

screenshot *

逻辑：观察到垃圾邮件大多带附件、体积更大，因此更新规则“周末发送且文件大小>10KB → 垃圾邮件，否则为正常邮件”。
效果：既能正确拦截周末的大体积广告垃圾邮件，也不会误杀小体积的正常通知邮件，准确率大幅提升。

2.4 机器学习的本质：寻找最优权重

screenshot *
人类只能同时处理少量特征，而机器学习可以同时处理上百万个特征，从海量高维数据中找到人类无法发现的复杂规律。建模的过程本质是给不同的特征分配合适的权重（Weight），最终通过加权得分判断结果：

特征：影响最终结果的相关因素，例如垃圾邮件分类中的“是否周末发送”“文件大小”“是否包含‘免费中奖’关键词”等。
权重：每个特征对结果的影响程度，例如“包含‘免费中奖’”对垃圾邮件的影响远大于“周末发送”，因此权重更高。
得分公式：

$$
\text{得分} = (w_1 \times \text{是否周末}) + (w_2 \times \text{文件是否>10KB}) + (w_3 \times \text{是否包含”免费”}) + \dots
$$

判定规则：如果总得分超过设定阈值（例如60分），就判定为垃圾邮件。

机器学习的核心问题

screenshot *
如何精准确定每一个特征的最优权重？
机器学习的核心过程就是：让计算机输入大量历史标注数据，不断自动调整参数，找到一组能让预测准确率最高的最优权重。

3. 学习路线与前置知识

screenshot *

核心理念

学习机器学习需要一定基础，但完全不需要成为数学或编程专家；课程会在用到对应知识时做适时（Just-in-Time）的通俗讲解，零基础也可以入门。

3.1 数学基础要求

仅需要掌握核心概念即可，不需要深入推导：

线性代数：理解向量、矩阵的基本概念，掌握加减、点积、矩阵乘法运算。
概率与统计：理解均值、方差、常见简单概率分布，了解贝叶斯定理。
微积分：理解导数、偏导数的含义，了解链式法则（用于理解反向传播，即使不懂原理知道怎么用也可以）。

3.2 入门前置要求总述

screenshot *
学习机器学习仅需要掌握必要的基础能力，无需成为相关领域的专家；课程中涉及的相关理论会提供Just-in-Time通俗讲解，学习者无需提前深入学习进阶知识。

3.3 编程技能要求

3.3.1 Python基础

screenshot *
Python是机器学习领域的事实标准开发语言，仅需要掌握Python基础语法就可以继续学习机器学习。

3.3.2 开发环境：Jupyter Notebook

screenshot *
Jupyter Notebook是机器学习主流开发环境，支持边编写代码边查看执行结果，自带可视化能力，方便做实验和数据可视化，使用非常便捷，有Python基础的开发者大多都掌握该工具。

3.3.3 Python生态工具箱

机器学习入门会依赖成熟的第三方库，不需要从零实现相关能力，共分为三类：

数据处理类：NumPy、Pandas：用于完成数据处理、数据清洗工作
*
数据可视化类：Matplotlib、Seaborn：用于EDA（探索性数据分析）、数据探索场景，可用于查看数据分布、挖掘数据内在规律，特征处理阶段也会使用该类工具。
*
经典算法库：Scikit-learn：已经封装了所有主流的经典机器学习算法，无需重复造轮子，可以直接调用使用。
*

仅需要掌握Python基础语法，就可以开始机器学习的学习，无需提前精通所有工具库。
screenshot *

3.4 核心知识点汇总

机器学习入门无需成为数学或编程领域专家，课程会对涉及的理论提供即时通俗讲解
入门基础分为「数学基础」和「编程技能」两大模块
Python是机器学习领域的事实标准开发语言
Jupyter Notebook是机器学习主流开发环境，支持边写代码边验证结果
机器学习入门依赖三类成熟的Python工具库，无需从零实现相关能力

AI 总结

本内容是机器学习零基础入门的第一课，系统搭建了机器学习的知识框架：首先清晰界定了人工智能、机器学习、深度学习三者的定义、区别与包含关系，明确了机器学习“从数据自动学规律做预测”的核心本质，澄清了“AI时代不用学编程”等常见误区；其次通过垃圾邮件分类模型从粗糙到精准的迭代示例，直观展示了建模的完整逻辑，揭示了机器学习的核心是通过数据自动学习特征的最优权重，同时点明了机器学习相比人类能处理海量高维特征的核心优势；最后系统讲解了机器学习的入门前置知识要求，明确入门机器学习不需要成为数学或编程领域的专家，仅需掌握基础的线性代数、概率统计、微积分概念，以及Python基础语法即可起步，同时介绍了机器学习入门的标准工具栈：使用Jupyter Notebook作为开发环境，依托NumPy/Pandas完成数据处理、Matplotlib/Seaborn完成数据可视化、Scikit-learn调用封装好的经典算法，大大降低了机器学习的入门门槛，打消了初学者的畏难情绪，适合新手快速建立对机器学习的整体认知，为后续深入学习打下坚实基础。