机器学习（Machine Learning, ML）
定义
机器学习是人工智能的一个分支，是指通过算法让计算机从数据中自动学习规律，从而对未知数据进行预测或决策的技术。与传统的基于规则的编程不同，机器学习不需要人工明确编写所有规则，而是通过数据自动发现规律。
核心思想
机器学习的核心思想是”学习即拟合”：通过大量训练数据，让算法自动学习输入数据和输出结果之间的映射关系，从而能够对新的输入数据做出准确的预测。机器学习的本质是模式识别和统计推断。
主要分类
- 监督学习（Supervised Learning）：使用带标签的训练数据进行学习，常见算法包括线性回归、逻辑回归、决策树、支持向量机、神经网络等，主要用于分类和回归任务。
- 无监督学习（Unsupervised Learning）：使用没有标签的数据进行学习，常见算法包括聚类、降维、关联规则挖掘等，主要用于发现数据中的内在结构和模式。
- 强化学习（Reinforcement Learning）：智能体通过与环境交互获得奖励信号，逐步学习最优策略，常见算法包括Q-Learning、深度Q网络（DQN）、策略梯度等，主要用于游戏、机器人控制、自动驾驶等领域。
- 半监督学习（Semi-supervised Learning）：同时使用少量带标签数据和大量无标签数据进行学习，结合了监督学习和无监督学习的优势。
- 自监督学习（Self-supervised Learning）：通过数据本身构造监督信号进行学习，是当前大模型训练的主流方法。
核心要素
- 数据：机器学习的基础，数据的数量和质量直接决定了模型的性能
- 算法：机器学习的核心，不同的算法适用于不同的任务和数据类型
- 算力：机器学习的硬件基础，尤其是深度学习需要大量的计算资源
- 特征工程：对原始数据进行预处理，提取有用的特征供算法学习
- 模型评估：通过各种指标评估模型的泛化能力和性能
应用场景
机器学习技术已经广泛应用于图像识别、语音识别、自然语言处理、推荐系统、金融风控、医疗诊断、自动驾驶等几乎所有AI应用领域，是人工智能目前最主流的实现方式。
发展趋势
机器学习正在向着自动化、小样本学习、可解释性、联邦学习、多模态学习等方向发展，未来将更加高效、易用和安全。
