机器学习相关概述目录介绍
1 课程概览
本课介绍机器学习相关概述的八大内容模块，包括AI/ML/DL三大概念、应用领域与发展史、核心术语（样本、特征、标签、训练集、测试集）、机器学习定义、算法分类、建模流程、特征工程子领域、模型拟合问题及开发环境搭建。重点强调核心术语的记忆与理解。
2 核心概念与定义
- 人工智能（Artificial Intelligence, AI）：用计算机模拟人脑，让计算机像人类一样理性思考和行动。
- 机器学习（Machine Learning, ML）：用机器模拟人脑，让计算机自动学习而非人为编程。
- 深度学习（Deep Learning, DL）：大脑仿生设计，一层层神经元模拟万事万物。
- 样本（Sample）：一条数据称为一个样本。
- 特征（Feature）：分析的字段称为特征。
- 标签（Label）：需要预测的结果字段称为标签。
- 训练集（Training Set）：给模型训练使用的数据。
- 测试集（Test Set）：用于测试模型结果的数据。
- 训练集与测试集占比：一般为7:3或8:2，7:3居多。
- 欠拟合（Underfitting）：学到的东西太少，模型太简单。
- 过拟合（Overfitting）：学到的东西太多，模型太复杂。
- 正好拟合（Good Fit）：模型复杂度适中，泛化能力好。
3 算法与模型详解
3.1 机器学习算法分类
| 类别 | 特征 | 标签 | 说明 |
|---|---|---|---|
| 监督学习（Supervised Learning） | 有 | 有 | 有特征有标签 |
| 无监督学习（Unsupervised Learning） | 有 | 无 | 有特征无标签 |
| 半监督学习（Semi-supervised Learning） | 有 | 部分 | 部分内容打标记，基于标记数据训练 |
| 强化学习（Reinforcement Learning） | — | — | 严格意义上属于深度学习，是机器学习的分支 |
3.2 机器学习建模流程（六步）
- 数据加载
- 数据预处理
- 特征工程
- 模型训练
- 模型评估
- 模型预测
注：第5步与第6步顺序可能互换，有时先预测再评估。
3.3 特征工程的五个子领域
- 特征提取（Feature Extraction）
- 特征预处理（Feature Preprocessing）
- 特征降维（Dimensionality Reduction）
- 特征选择（Feature Selection）
- 特征组合（Feature Combination）
3.4 模型拟合问题
- 欠拟合：模型学到的东西太少，模型过于简单。
- 过拟合：模型学到的东西太多，模型过于复杂。
- 目标：达到正好拟合。
4 数学原理与推导
本课无数学推导。
5 代码示例
环境搭建命令（Python）：
# 安装scikit-learn机器学习库
pip install scikit-learn
6 重难点与易错提醒
- ❗重点：核心术语（样本、特征、标签、训练集、测试集）必须熟记，后续天天使用。
- ❗重点：人工智能之父——约翰·麦卡锡（John McCarthy）；机器学习之父——亚瑟·塞缪尔（Arthur Samuel）。
- ❗重点：人工智能元年为1956年（达特茅斯会议）。
- ⚠️易错：训练集与测试集占比一般为7:3或8:2，7:3居多。
- ⚠️易错：强化学习严格意义上属于深度学习，但深度学习可理解为机器学习的分支。
- 💡深入理解：特征工程的五个子领域（提取、预处理、降维、选择、组合）是今天稍绕的概念，需重点区分。
7 课堂问答精选
Q: 机器学习建模流程中，模型评估和模型预测的顺序是固定的吗？
A: 不固定。一般是先评估再预测，但有些场景会先预测再评估，两者顺序可能互换。
8 本课小结
- AI/ML/DL为包含关系：人工智能包含机器学习，机器学习包含深度学习。
- 核心术语：样本（一条数据）、特征（分析字段）、标签（结果字段）、训练集（训练用）、测试集（测试用）。
- 机器学习算法分四类：监督、无监督、半监督、强化学习。
- 建模六步流程：加载→预处理→特征工程→训练→评估→预测。
- 模型拟合三态：欠拟合、过拟合、正好拟合（目标）。
9 延伸思考与实践
- 思考：人工智能、机器学习、深度学习三者的关系如何理解？
- 记忆：人工智能之父（约翰·麦卡锡）、机器学习之父（亚瑟·塞缪尔）、人工智能元年（1956年）。
- 实践：完成scikit-learn库的安装，为后续实操做准备。