机器学习（Machine Learning）

一句话理解

不写死规则，让机器自己从数据里找规律——喂它一千张猫狗照片，它自己总结出怎么区分。

定义

机器学习（Machine Learning）是 AI 的核心分支：不从写死的规则出发，而是设计算法让计算机从数据中自动学习规律、做出预测。垃圾邮件过滤、商品推荐、销量预测都是它的经典应用。

你会在哪遇到它

各类“智能推荐”“风控评分”的背后；AI 入门教程的第一课；新闻里“机器学习模型预测了某事”的报道。

背后的原理

基本玩法分三种：监督学习（带标准答案的题库式学习）、无监督学习（自己从数据里找结构，比如给用户分群）、强化学习（试错加奖励）。学出来的成果是一个“模型”，输入新数据就能给出预测。

和相近概念的区别

1 与传统编程：传统编程由人写规则，机器学习从数据里学规则。 2 与深度学习：深度学习是机器学习中用深层神经网络的一支。 3 与 AI：AI 是最大概念，机器学习是目前实现 AI 最主流的方法，大模型是它的最新成果。

常见误区

1 机器学习等于 AI——它是 AI 的子集，AI 还包括搜索、规则系统等老牌方法。 2 数据越多必然越准——数据的代表性和质量比数量更关键。 3 模型客观中立——学什么数据长什么样，偏见问题在这一层就埋下了。