一、三大问题

机器学习的核心问题可以根据「是否有标签」「标签类型」两大维度划分，本质差异在于学习目标和数据形态

1. 回归（Regression）

• 核心定义：有监督学习任务，目标是构建输入特征（X）与连续型标签（y）之间的映射模型，输出为连续数值。
• 关键判定标准： ① 存在明确标签y（属于有监督学习，需依赖标注数据训练）； ② 标签y是连续型数值（可取某一范围内的任意实数，而非固定类别）。
• 核心逻辑：模型学习的是“量化关系”，比如“特征变化1个单位时，标签会变化多少”。

2. 分类（Classification）

• 核心定义：有监督学习任务，目标是将输入特征（X）映射到离散的类别标签（y），输出为预定义类别的概率或直接类别。
• 关键判定标准： ① 存在明确标签y（有监督学习，依赖标注数据）； ② 标签y是离散型类别（有限个固定选项，不可取中间值）。
• 核心逻辑：模型学习的是“类别边界”，通过特征区分不同类别的样本。
• 典型案例：人脸识别（输入：人脸图像；输出：对应人物姓名）、文本情感分析（输入：用户评论；输出：正面/负面/中性）、恶意软件检测（输入：程序特征；输出：病毒/正常软件）。

3. 聚类（Clustering）

• 核心定义：无监督学习任务，目标是在无标签的输入特征（X）中，根据样本间的相似度自动划分“簇”（Cluster），实现数据的自然分组。
• 关键判定标准： ① 无标签y（无监督学习，无需人工标注，仅依赖数据本身特征）； ② 核心依赖“相似度度量”（如欧氏距离、余弦相似度），簇内样本相似度高，簇间样本相似度低。
• 核心逻辑：模型学习的是“数据分布结构”，自动发现隐藏的分组规律。

二、五大任务

五大任务是机器学习在实际场景中的具体落地形式，覆盖计算机视觉、自然语言处理、时序数据等领域，核心围绕“识别-定位-跟踪-结构化分析”展开：

1. 分类（Classification）

• 任务定义：最基础的判别任务，将整个输入样本（如图像、文本、音频）直接判定为某一预定义类别，不关注样本内部的位置、结构信息。
• 核心目标：回答“是什么”（What），仅输出类别标签或概率。
• 关键特征：不涉及空间定位或时序关联，仅对“整体样本”做类别判断。

2. 目标检测（Object Detection）

• 任务定义：有监督任务，在分类基础上增加“空间定位”功能，需同时识别输入中的目标类别和目标在输入中的具体位置。
• 核心目标：回答“是什么+在哪里”（What + Where），输出每个目标的「边界框坐标」（如x1,y1,x2,y2，对应矩形框左上角和右下角坐标）+「类别标签」。
• 与分类的核心差异：分类仅判断“有什么”，检测需明确“每个目标的具体位置”（支持单图多目标识别）。

3. 分割（Segmentation）

• 任务定义：有监督任务，将输入（如图像）按语义或实例进行「像素级划分」，每个像素都对应一个类别标签，实现目标轮廓的精准刻画。
• 核心目标：回答“是什么+哪个像素属于它”（What + Which Pixel），输出像素级的类别掩码（Mask）。
• 细分类型：
  • 语义分割（Semantic Segmentation）：不区分同一类别的不同实例，仅标注像素类别（如道路图像中，所有“车”的像素统一标为“车”类）；
  • 实例分割（Instance Segmentation）：区分同一类别的不同实例（如道路图像中，每辆车的像素分别标为“车1”“车2”“车3”）；
  • 全景分割（Panoptic Segmentation）：结合语义分割与实例分割，同时标注所有类别（含背景）和实例。

• 与检测的核心差异：检测输出矩形边界框（粗略定位），分割输出像素级掩码（精准到轮廓）。

4. 关键点/姿态识别（Keypoint Detection / Pose Estimation）

• 任务定义：有监督任务，检测输入中目标的「关键特征点」（如人体关节、人脸五官、物体角点），输出关键点的坐标集合，进而还原目标的姿态或形态。
• 核心目标：回答“关键位置在哪里+目标姿态是什么”（Key Positions + Structure），通过关键点串联描述目标的空间结构。

5. 目标追踪（Object Tracking）

• 任务定义：在连续的输入序列（如视频帧、时序数据）中，对指定目标（或自动检测到的目标）进行「持续身份关联和位置更新」，跟踪目标的运动轨迹。
• 核心目标：回答“目标是谁+持续在哪里”（Who + Continuous Where），解决视频中目标遮挡、形变、运动等问题，保持目标身份不混淆。
• 核心挑战：目标遮挡（如行人被树木、车辆遮挡）、目标形变（如动物奔跑时身体姿态变化）、背景干扰（相似目标出现）、光照变化、目标进出画面。
• 与检测的核心差异：检测是单帧独立判断，追踪是多帧连续关联（需维持目标身份一致性）。

三、总结

1. 三大问题是机器学习的“基础框架”：按「有无标签」「标签类型」划分，回归（连续标签）、分类（离散标签）属于有监督学习，聚类（无标签）属于无监督学习；
2. 五大任务是“落地形态”：分类是基础，检测（分类+定位）、分割（像素级分类）、关键点识别（结构级分类）是分类任务的延伸，目标追踪是检测任务在时序维度的拓展；
3. 学习关键：区分任务的核心“输出结果形态”——连续数值（回归）、离散类别（分类）、簇编号（聚类）、边界框（检测）、像素掩码（分割）、关键点坐标（姿态识别）、轨迹信息（追踪）。