AI 术语表 · 入门 · 语言模型
机器学习
机器学习是一种方法：不由人逐条制定规则，而是让计算机查看大量数据，自行找出规则（模式），从而做出预测或判断。
通俗解释 这就像不向孩子解释“猫的耳朵是尖的……”，而是给他们看很多猫的照片，让他们自己学会认猫。不同之处在于，计算机并不像人那样理解，而是学习数据中的统计模式。
工作原理
首先收集大量示例数据。计算机根据这些数据尝试预测，计算与正确答案相差多少（损失），然后逐步修改内部数字（参数）。这一过程反复进行无数次，称为“学习（训练）”。训练完成的成果称为“模型”，即使输入从未见过的数据，它也能用学到的模式给出答案。
主要类型
用带正确答案的数据学习的监督学习，用于垃圾邮件分类这类“猜答案”的任务。不用正确答案、把相似数据归为一组的无监督学习，用于客户分群等。通过试错和奖励学习的强化学习，用于游戏、机器人控制，也用于打磨 LLM。深度学习是机器学习中的一个分支。
注意事项
机器学习在很大程度上取决于数据质量。数据有偏向，模型的判断也会有偏向。此外，只记住训练数据、在新数据上性能下降的“过拟合”也是常见问题。因此，必须用未参与训练的数据单独检验性能。
示例
邮件服务的垃圾邮件过滤、购物网站和视频服务的推荐功能、信用卡公司的异常交易检测，都是典型的机器学习应用。对于人无法写出全部规则的问题，它用从历史数据中学到的模式自动做出判断。