夜雨聆风每天一个 AI 术语 · 第 02 期
机器学习：从大量案例中发现规律
为什么邮箱能自动识别垃圾邮件？
为什么音乐软件越来越懂你的喜好？
为什么地图能根据历史数据预测堵车？
这些能力背后，往往都离不开同一项技术：机器学习。
一句话解释
机器学习，是让计算机从数据和案例中学习规律，再用这些规律判断新情况的一种方法。
传统程序主要依靠人提前写好规则；机器学习则让机器通过观察大量样本，自己找到可以完成任务的规律。
生活类比
想象一下，你正在教一个孩子认识苹果。
你不会先给他写一套复杂规则：
直径在多少厘米以内
红色占比达到多少
表面弧度应该是多少
你通常会直接给他看很多苹果，并告诉他：“这些都是苹果。”
机器学习像人类一样通过大量案例归纳共同特征
孩子看得多了，就会逐渐发现苹果常见的形状、颜色和纹理。当他再次看到一个从未见过的苹果时，也能作出判断。
机器学习的思路与此类似：
不是把所有判断规则逐条写给机器，而是给机器足够多的案例，让它从中归纳规律。
工作原理
机器学习的完整过程可以简化为五步：
机器学习的基本流程：准备数据、训练模型、评估改进和进行预测
收集数据：准备与任务相关的文字、图片、数字或行为记录。 整理数据：清理错误和重复内容，必要时为样本添加标签。 训练模型：让算法反复分析数据，寻找输入与结果之间的关系。 评估改进：用模型没有见过的数据测试效果，并根据错误调整模型。 进行预测：把新的数据交给训练好的模型，得到分类、数值或推荐结果。
以垃圾邮件识别为例：
我们可以给模型看大量“垃圾邮件”和“正常邮件”。模型会从发件方式、用词习惯、链接特征等信息中寻找规律。
训练完成后，当一封新邮件到来时，模型不会去查找某条固定规则，而是根据已经学到的模式，计算它更像垃圾邮件还是正常邮件。
这个从案例中总结出来、用于处理新数据的系统，就叫作模型（Model）。
三种常见学习方式
机器学习并不只有一种学习方法。
监督学习
训练数据带有明确答案。
例如，图片已经标注为“猫”或“狗”，房屋数据已经附带真实成交价格。模型根据这些已知答案学习如何分类或预测。
无监督学习
训练数据没有现成答案，模型自己寻找其中的结构。
例如，电商平台可以根据用户行为自动把顾客分成不同群体，而不是提前规定每个人属于哪一类。
强化学习
模型通过尝试、反馈和奖励不断改进行为。
例如，游戏 AI 在一次次行动中，根据输赢结果学习更有效的策略。
实际用途
机器学习早已进入我们的日常生活：
机器学习在安全、推荐、出行、金融和医疗等场景中的应用
邮箱过滤垃圾邮件
短视频和音乐内容推荐
电商平台推荐商品
地图预测路况与到达时间
银行识别异常交易
手机相册自动识别人脸和场景
医疗影像辅助分析
企业预测销量和用户流失
搜索引擎优化结果排序
这些系统看起来用途不同，但核心逻辑相似：
利用过去的数据学习规律，再对新的情况进行判断或预测。
常见误区
误区一：机器学习就是人工智能
人工智能是一个更大的概念，机器学习是实现人工智能的重要方法之一。
可以把人工智能理解为目标，把机器学习理解为通往这个目标的一条主要技术路线。
误区二：数据越多，模型一定越好
数据数量很重要，但数据质量同样关键。
如果数据错误、重复、存在偏见，模型可能学到错误规律。大量低质量数据并不一定比少量高质量数据更有价值。
误区三：训练完成后，模型永远有效
现实环境会变化。
用户习惯、市场情况和欺诈方式都可能发生改变。模型如果长期不更新，原来有效的规律可能逐渐失效，这种现象常被称为“模型漂移”。
误区四：机器学习真的理解了问题
模型通常是在数据中寻找统计关系，并不意味着它像人一样理解事物的含义。
一个模型可以准确识别猫的图片，却不一定知道猫在真实世界中如何生活。
代表产品与应用
机器学习通常隐藏在产品背后，而不是单独以一个按钮出现。
常见案例包括：
Netflix、YouTube 和 Spotify 的推荐系统
Google 搜索与广告排序
支付平台的风险控制系统
手机相册的人脸与物体识别
地图软件的路况预测
电商平台的商品推荐
企业使用的销量预测工具
ChatGPT 等生成式 AI 模型的训练过程
今天流行的大语言模型，本质上也建立在机器学习和深度学习技术之上。
一句话总结
机器学习不是让机器记住所有答案，而是让机器从大量案例中找到规律，并把规律用于没有见过的新问题。
下一个术语：深度学习（Deep Learning）