机器学习与深度学习 / 系统课时

认识机器学习

认识机器学习

学习目标

完成本课后,你将能够:

  • 说明机器学习要解决的核心问题
  • 区分规则驱动程序与数据驱动模型
  • 判断一个业务问题是否适合使用机器学习

机器学习解决什么问题

机器学习的目标不是让计算机“像人一样思考”,而是让程序从历史数据中学习输入与输出之间的规律,并把这个规律用于新数据。传统程序通常由开发者编写明确规则:

text
输入数据 + 人工规则 -> 输出结果

机器学习则把历史样本交给训练算法:

text
历史输入 + 历史答案 -> 训练算法 -> 模型
新输入 + 模型 -> 预测结果

当规则数量过多、边界难以穷举或规律会随数据变化时,机器学习通常比手工规则更合适。

传统编程与机器学习的区别

对比项 传统编程 机器学习
规则来源 开发者明确编写 从数据中学习
适合问题 规则清楚、结果确定 规律复杂、允许概率判断
输出性质 通常确定 通常带有误差或置信度
维护方式 修改代码规则 更新数据、特征或模型
典型示例 税费计算、权限判断 垃圾邮件识别、销量预测

例如,“订单金额大于 1000 元就人工审核”属于明确规则;“根据设备、地区、时间和历史行为判断订单欺诈概率”更适合机器学习。

判断问题是否适合机器学习

可以使用下面四个问题进行判断:

  1. 是否存在足够数量且质量可接受的历史数据。
  2. 历史数据中是否包含可学习的规律,而不是纯随机结果。
  3. 业务是否允许一定误差,并能定义可量化的评价指标。
  4. 预测结果是否会被用于实际决策,而不是只做展示。

如果没有历史标签、结果必须百分之百正确,或者只需几条固定规则即可完成,就不应优先使用机器学习。

一个最小预测示例

下面使用 scikit-learn 根据学习时长预测考试分数。示例只展示“数据、训练、预测”三个基本环节。

python
from sklearn.linear_model import LinearRegression

# 每行代表一名学生的学习时长,二维结构符合模型输入要求
study_hours = [[1], [2], [3], [4], [5]]
scores = [52, 58, 65, 73, 80]

model = LinearRegression()
model.fit(study_hours, scores)

predicted_score = model.predict([[6]])[0]
print(f"学习 6 小时的预测分数: {predicted_score:.1f}")

预期输出:

text
学习 6 小时的预测分数: 86.8

输出是模型根据现有样本拟合得到的估计值,不是保证发生的真实结果。

本课练习

  1. 分析“根据身份证号码判断出生日期”是否需要机器学习,并说明原因。
  2. 为“预测商品下周销量”列出可用的输入数据和目标结果。
  3. 找出一个不适合机器学习的业务问题,并给出更简单的实现方案。
按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

认识机器学习

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通