一、几个概念

• 弱人工智能（Narrow AI）：也叫 “专用人工智能”，是当前我们接触到的所有AI，它只能在特定领域内执行预设任务，没有自我意识和通用思考能力。
• 强人工智能（General AI）：也叫 “通用人工智能”，是目前仍处于理论阶段的AI，它具备与人类同等的通用认知能力，能理解、学习任何领域的知识，自主解决复杂问题，并拥有自我意识。
• 人工智能最核心的能力：是根据给定的输入做出判断和预测
• 机器学习：当代人工智能的主流方法（进一步发展是深度学习）

二、机器学习的三个实现方法

机器学习是总领域，监督、半监督、无监督学习是根据 “数据是否带标签” 划分的三大核心学习范式

• 机器学习（Machine Learning, ML）

  它是人工智能的核心技术，本质是让计算机从数据中自动学习规律，而无需人类手动编写所有规则。
  核心逻辑：通过算法对数据进行训练，生成一个 “模型”，再用这个模型对新数据做预测或决策。
  应用基础：所有监督、半监督、无监督学习，都属于机器学习的具体实现方法。

• 监督学习（Supervised Learning）

  它是最成熟、应用最广的范式，核心是 “数据带标签”，像老师监督学生学习一样。
  数据特点：训练数据包含 “输入” 和对应的 “正确答案（标签）”。比如用 “猫的图片 +‘猫’标签”“狗的图片 +‘狗’标签” 训练模型。
  学习目标：让模型学会 “输入→标签” 的映射规律，未来能给新的无标签数据贴对标签。
  典型应用：图像识别（识别猫 / 狗）、垃圾邮件分类（判断邮件是否为垃圾）、房价预测（根据面积等数据预测房价）。

• 无监督学习（Unsupervised Learning）

  它没有 “老师”（无标签），让计算机自己从数据中找规律，核心是 “聚类” 和 “降维”。
  数据特点：训练数据只有 “输入”，没有对应的 “正确答案”。比如只给一堆动物图片，不告诉模型哪些是猫、哪些是狗。
  学习目标：让模型自主发现数据的内在结构，比如 “哪些图片的特征更相似”“数据的核心特征是什么”。
  典型应用：用户分群（把购物习惯相似的用户归为一类）、异常检测（识别信用卡消费中的反常交易）、数据降维（简化高维数据，方便可视化）。

• 半监督学习（Semi-Supervised Learning）

  它是监督学习和无监督学习的折中，核心是 “少量标签数据 + 大量无标签数据”。
  数据特点：训练数据中，只有一小部分有标签，大部分没有标签。比如 1000 张动物图片里，只有 100 张标了 “猫” 或 “狗”，剩下 900 张没标签。
  学习目标：先用少量标签数据引导模型学习基础规律，再用大量无标签数据让模型进一步挖掘数据结构，平衡 “学习效果” 和 “数据成本”。
  典型应用：医学影像分析（标注医学影像成本高，用少量标注数据 + 大量未标注数据训练模型）、文本分类（给少量文章标类别，用大量未标文章优化模型）。

三、 数据集、样本、特征

一个数据集由多个样本组成，一个样本由多个特征（可选带标签）组成，三者共同构成了机器学习的输入数据体系。

四、分类和回归

机器学习中最核心的两大预测任务，本质区别在于预测结果是 “类别” 还是 “连续数值”。搞懂它们，就能覆盖大部分实际 AI 应用场景

• 分类（Classification）

  分类任务的核心是预测 “类别标签”，结果是离散的、有限的选项，就像给事物 “贴标签”。

  核心逻辑：模型学习 “特征→类别” 的映射，比如通过 “邮件内容” 判断邮件属于 “垃圾邮件” 或 “正常邮件”。

  常见类型：
  二分类：结果只有两个类别，是最基础的分类任务。
  实例：判断图片是 “猫” 还是 “狗”、检测交易是 “正常” 还是 “欺诈”。
  多分类：结果有三个及以上类别，需从多个选项中选一个。
  实例：识别手写数字是 “0-9” 中的哪一个、判断新闻属于 “科技”“娱乐”“体育” 等类别。

  评价指标：常用 “准确率”（预测对的样本占比）、“精确率”（预测为正类的样本中实际为正类的比例）、“召回率”（实际为正类的样本中被预测对的比例）。

• 回归（Regression）

  回归任务的核心是预测 “连续数值”，结果是无限的、可连续变化的，就像 “预测具体数值”。

  核心逻辑：模型学习 “特征→连续值” 的映射，比如通过 “房屋面积、房龄” 预测具体的 “房价”。
  关键特点：预测结果没有固定选项，而是落在一个数值范围内，比如房价可能是 150.5 万、151.2 万等。

  实例：
  预测未来某城市的 “明日气温”（如 25.3℃）。
  根据 “用户消费记录、浏览时长” 预测用户的 “下月消费金额”（如 2380 元）。

  评价指标：常用 “均方误差（MSE）”（预测值与真实值差值的平方的平均值）、“平均绝对误差（MAE）”（预测值与真实值差值的绝对值的平均值），误差越小，模型效果越好。

• 回归的研究方法

  回归的目的是找到这个回归方程，新来一个x，可以得到一个y

• 分类的研究方法
  分类问题的目标是找到一个分类器，这个分类器可以对新输入的数据进行判断，以确定该数据是属于哪个类别
  
  

五、数据集的划分

训练集、验证集、测试集在模型开发流程中扮演不同角色，缺一不可。

• 训练集（Training Set）：模型的 “学习教材”

  核心作用：用于模型 “学习” 数据规律，是模型训练的主要数据来源。

  占比：通常占总数据集的 60%-80%，是三部分中占比最大的。

  工作逻辑：模型通过反复学习训练集中的 “特征→结果” 关系（比如 “面积、房龄→房价”），不断调整内部参数，直到能在训练集上做出较准确的预测。

  注意：训练集只负责 “教”，不负责 “考”，不能用它来判断模型的最终效果。

• 验证集（Validation Set）：模型的 “模拟考试”

  核心作用：用于调整模型参数（如学习率、树的深度）和选择最优模型，避免模型 “学偏”。

  占比：通常占总数据集的 10%-20%，介于训练集和测试集之间。

  工作逻辑：每次用训练集训练出一个模型后，用验证集 “测试” 它的表现；根据验证集的结果调整参数（比如把学习率从 0.1 改成 0.01），再重新训练，直到找到在验证集上表现最好的参数组合。

  注意：验证集参与 “调优”，但不参与 “最终考核”，不能泄露给测试集。

• 测试集（Test Set）：模型的 “最终高考”

  核心作用：模拟真实应用场景，检验模型的 “泛化能力”，是判断模型是否可用的最终标准。

  占比：通常占总数据集的 10%-20%，是三部分中占比最小的。

  工作逻辑：在训练集和验证集完成模型训练与调优后，才用测试集对模型进行 “一次性考核”；测试集的结果直接代表模型在真实环境中的表现，一旦使用，不能再调整模型参数。

  关键原则：测试集必须 “纯净”，在整个训练和调优过程中绝对不能被模型 “看见”，否则结果会失真。
  

六、常见的几种距离表示方法