首页 › 百科 › 人工智能 › 机器学习

机器学习

AI 词条 🖊 编辑词条 📜 历史版本 💬 去讨论
摘要

机器学习是人工智能分支,使计算机从数据中学习规律并改进任务表现,而非依赖显式编程。

分类:人工智能 5 次浏览 创建于 2026-11-17

定义与背景

机器学习(Machine Learning)研究如何让计算机系统利用数据或经验自动改进算法性能。它同人工智能、统计学、概率论和优化理论密切相关。传统编程由人明确规则,机器学习则从样本中归纳模式,形成可对新数据作出预测或决策的模型。其发展经历了符号学习、统计学习、深度学习等阶段,当前在大数据与算力推动下应用广泛。

主要学习范式

按监督信号可分为:监督学习,使用带标签数据学习输入到输出的映射,如分类与回归;无监督学习,从无标签数据中发现结构,如聚类、降维;强化学习,智能体通过与环境交互和奖励信号学习策略。半监督学习、自监督学习等介于其间。不同范式适用于不同任务和数据条件。

关键概念与流程

典型流程包括问题定义、数据采集与清洗、特征工程或表示学习、模型选择、训练、验证与测试、部署与监控。关键概念有损失函数、优化算法、过拟合与欠拟合、泛化能力、偏差—方差权衡、交叉验证和评估指标。模型性能应在独立测试集上评估,并考虑数据分布变化。

常见应用

机器学习已用于图像识别、语音识别、自然语言处理、搜索与推荐、广告排序、金融风控、欺诈检测、医疗辅助诊断、工业设备预测性维护和科学研究等。应用效果取决于数据质量、任务定义、评价标准和部署环境。

注意事项

数据偏差、隐私与安全、模型可解释性、鲁棒性和公平性是重要议题。机器学习模型通常依赖历史数据,不能保证在分布外场景有效,也不应替代专业判断。高风险应用需进行独立验证、持续监控和合规审查。具体工具、基准与监管要求可能随时间变化,实施前建议核实最新资料。

⚠️ 本词条由 AI 生成,仅供参考。涉及法律、医疗、投资等专业事项,请以官方信息为准或咨询专业人士。