机器学习介绍及应用场景

小象实战讲义 · Python数据分析实战

前面的课程我们已经学习了数据分析中的数据采集、数据处理、数据分析以及数据可视化。从这一刻开始，我们将进入机器学习的入门世界。本节将为你厘清机器学习、人工智能与深度学习三者之间的关系，并通过生动的类比帮助你理解机器学习的核心思想与工作流程。

💡 核心导读

• 概念定位：理清人工智能、机器学习与深度学习之间的包含与实现关系。
• 核心类比：将机器学习模型理解为一个“函数”，输入数据，输出预测结果。
• 工作流程：掌握机器学习的两个核心阶段——训练与预测。
• 定义理解：理解机器学习是“让计算机获得无需显式编程的学习能力”。

AI知识图谱：概念之间的关系

在开始学习机器学习之前，我们常常会听到许多相关的术语：人工智能（AI）、机器学习（ML）、深度学习（DL）、数据挖掘、模式识别、神经网络等。它们之间并非完全独立，而是存在着复杂的交叉与包含关系。

通过一个AI知识图谱我们可以清晰地看到：

• 人工智能（Artificial Intelligence） 是一个最广泛的概念，旨在让机器能够模拟人类的智能行为。
• 机器学习（Machine Learning） 是人工智能的一个重要子领域，是实现人工智能的一种核心方法。
• 深度学习（Deep Learning） 又是机器学习中的一个分支，主要基于神经网络结构。
• 此外，机器学习还与数据挖掘、模式识别、知识发现等领域有大量交叉。

简单来说，深度学习是实现机器学习的一种方法，而机器学习又是实现人工智能的一种方法。它们之间是一种“实现”的关系，而非简单的完全包含。

人工智能、机器学习与深度学习的发展历程

人工智能的概念早在1950年代就被提出，并非一个全新的概念。1956年的达特茅斯会议正式确立了这一领域。然而，其发展历程并非一帆风顺，甚至直到2012年前后，业界对人工智能的看法仍存在分歧。

近年来，随着大数据技术的爆发式发展，计算能力的提升以及算法的突破（尤其是在2012年深度学习在图像识别领域取得重大进展），人工智能迎来了新的春天。我们现在日常生活中广泛应用的都是弱人工智能，例如：

• 语音识别：将语音转换为文字
• 图像识别：识别图片中的物体
• 智能推荐：电商平台根据你的浏览记录推荐商品

弱人工智能专注于完成特定的、相对不那么复杂的任务。而强人工智能则指拥有与人类同等智慧、能够进行通用推理的机器，这仍然是未来长远的目标。

机器学习在1980年代后逐渐发展成为实现人工智能最主流、最基础的方法。它让计算机能够从数据中自动学习规律，而无需针对每个具体任务进行繁琐的、不可扩展的手工编程。

理解机器学习：一个函数的类比

如何直观地理解机器学习？我们可以将其模型简单地类比为一个数学函数。

一个函数，例如 $f(x) = x^2$，你输入一个值（如 2），它就会输出一个结果（4）。机器学习模型也是如此：

• 输入（Input）：现实世界的数据（如图片像素、音频信号、文本字符串、棋盘状态）。
• 函数（Function）：机器学习算法学习得到的复杂映射规则（即模型）。
• 输出（Output）：我们想要的预测或识别结果。

示例一：语音识别

f(一段音频数据) = “你好吗？”

函数 f 是专门的语音识别模型，输入是音频文件数据，输出是识别出的文本。

示例二：图像识别

f(一张图片的像素数据) = “猫”

输入是代表图片的像素矩阵，输出是图片内容的标签。

示例三：围棋对战

f(当前棋盘状态) = “5-5” (下一步落子位置)

输入是棋盘状态的数字化表示，输出是模型认为最优的下一步落子点。

因此，机器学习的核心范式可以总结为下图所示的流程：

       数据（Data）
          ↓
    机器学习算法（Algorithm）
          ↓
    训练好的模型（Model）
          ↓
       预测（Prediction）

机器学习的定义与核心阶段

一个被广泛引用的定义是：

Machine Learning is a type of Artificial Intelligence that provides computers with the ability to learn without being explicitly programmed.

机器学习是人工智能的一个分支，它让计算机获得了一种能力：无需进行显式编程即可学习。

这里的“无需显式编程”指的是，我们不需要为每个具体任务（例如识别猫还是狗）手工编写一套固定的判断规则（如“如果有胡须，则是猫”）。相反，我们提供一个通用的学习算法和大量数据，算法会自己从数据中发现规律和特征。

基于此，机器学习的过程通常分为两个核心阶段：

1. 训练阶段（Training Phase）：使用历史数据（包含特征和对应的正确答案，即标签）来“教导”模型，让模型学习数据中的内在规律。这好比学生用习题集进行备考复习。
2. 预测阶段（Prediction/Inference Phase）：将新的、未见过的真实数据输入到训练好的模型中，让模型给出预测结果。这好比学生正式参加考试。

让我们用一个极简的水果分类例子，通过代码来直观感受这两个阶段。我们将使用 scikit-learn 库中的一个简单分类算法。

# 导入必要的库。每个代码块必须完全自包含。
import numpy as np
from sklearn.neighbors import KNeighborsClassifier

# ========== 训练阶段 ==========
# 1. 准备训练数据：特征和标签
# 假设我们用两个特征来区分水果：甜度(0-10)和重量(0-100克)
# 特征数据
训练特征 = np.array([
    [8, 150],  # 样本1：很甜，重 -> 我们定义为苹果
    [3, 120],  # 样本2：不太甜，较轻 -> 香蕉
    [7, 140],  # 样本3：甜，重 -> 苹果
    [2, 110],  # 样本4：不甜，轻 -> 香蕉
])
# 标签数据 (0代表苹果，1代表香蕉)
训练标签 = np.array([0, 1, 0, 1])

# 2. 选择并训练模型（这里用K近邻算法，k=1）
模型 = KNeighborsClassifier(n_neighbors=1)
模型.fit(训练特征, 训练标签) # fit方法就是“学习”的过程
print("模型训练完成！")

模型训练完成！

# ========== 预测阶段 ==========
# 每个代码块自包含：重建训练数据并重新训练模型
import numpy as np
from sklearn.neighbors import KNeighborsClassifier

训练特征 = np.array([
    [8, 150],  # 样本1：很甜，重 -> 我们定义为苹果
    [3, 120],  # 样本2：不太甜，较轻 -> 香蕉
    [7, 140],  # 样本3：甜，重 -> 苹果
    [2, 110],  # 样本4：不甜，轻 -> 香蕉
])
训练标签 = np.array([0, 1, 0, 1])
模型 = KNeighborsClassifier(n_neighbors=1)
模型.fit(训练特征, 训练标签)

# 构造一个新的、模型从未见过的测试数据
测试数据 = np.array([[1, 2]])  # 一个具有香蕉特征的新样本（不甜、极轻）

# 使用训练好的模型进行预测
预测结果 = 模型.predict(测试数据)
# 将数字标签转换回水果名称
水果名称 = {0: '苹果', 1: '香蕉'}
print(f"输入特征 {测试数据[0]} 的预测结果是：{水果名称[预测结果[0]]}")

输入特征 [1 2] 的预测结果是：香蕉

在这个例子中：

• 训练数据：我们提供了4个水果样本的“特征”（甜度、重量）和“标签”（苹果或香蕉）。
• 训练过程：模型（K近邻）通过fit方法学习，记住了这些样本。
• 预测过程：当给出一个新水果的特征[1, 2]（非常不甜，非常轻）时，模型在其记忆中找到最相似的样本（第4个样本[2, 110]，标签是香蕉），因此预测新水果为“香蕉”。

这模拟了人类的学习过程：我们通过反复观察例子（香蕉是黄色的、长的；苹果是圆的、红的）来学习概念，之后便能识别新的实例。机器学习正是让机器模拟了这一过程。

📝 动手练一练

1. 概念辨析：请用自己的话简述人工智能、机器学习和深度学习三者之间的关系。你认为目前手机上的人脸解锁功能属于三者中的哪一个范畴？

2. 代码实践：在上面水果分类的代码中，如果将训练数据中第二个样本[3, 120]的标签从1（香蕉）改为0（苹果），再次运行整个代码（包括训练和预测），预测结果会改变吗？为什么？

# 修改后的训练数据（每个代码块自包含：补齐 import）
import numpy as np
from sklearn.neighbors import KNeighborsClassifier

训练特征 = np.array([[8, 150], [3, 120], [7, 140], [2, 110]])
训练标签 = np.array([0, 0, 0, 1]) # 第二个标签改为0（苹果）

模型 = KNeighborsClassifier(n_neighbors=1)
模型.fit(训练特征, 训练标签)

测试数据 = np.array([[1, 2]])
预测结果 = 模型.predict(测试数据)
水果名称 = {0: '苹果', 1: '香蕉'}
print(f"修改标签后，预测结果是：{水果名称[预测结果[0]]}")

修改标签后，预测结果是：香蕉

本章小结

本节作为机器学习的入门第一课，我们重点建立了对机器学习领域的整体认知框架。

📋 行动清单

• 理清概念：能清晰说出人工智能、机器学习与深度学习的区别与联系。
• 理解范式：掌握机器学习“数据→模型→预测”的核心流程，以及“训练”与“预测”两个阶段的不同任务。
• 运行示例：成功运行本节中的代码示例，理解每一行代码在机器学习流程中所起的作用。

机器学习不再是遥不可及的黑科技，它本质上是一套从数据中学习规律并用于预测的方法论。在接下来的课程中，我们将逐步学习如何使用Python强大的scikit-learn库来构建和评估真正的机器学习模型。

—— 小象教研组