机器学习

机器学习的核心在于构建那些行为由数据或交互拟合而来，而非完全由人工硬编码的系统。算法只是系统的一环；真正决定结果是否有用的，是问题定义、数据生成机制、优化目标、评估策略以及部署环境。

问题分类

类别	学习信号	典型任务
监督学习	成对的输入与标签	对新样本进行预测
无监督学习	无标签的观测数据	发现数据结构或学习有用表示
自监督学习	从数据自身构造的标签	学习可复用的表示或条件预测
强化学习	动作、状态转移与奖励	选择能最大化长期回报的行为策略

这些类别并非互斥。例如，深度神经网络定义的是模型架构，而非一种独立的监督信号来源。

工作流程

1. 明确决策或预测目标，并设定一个明确的基线（Baseline）。
2. 审查数据收集、采样、标签质量、缺失值及潜在的数据泄漏。
3. 选择反映训练目标的损失函数，以及反映实际业务价值的评估指标。
4. 仅在训练集上拟合模型；使用验证集进行调参，保留测试集用于最终评估。
5. 在不同群体、时间段及运行条件下对比误差表现。
6. 部署后持续监控分布漂移、反馈循环、隐私风险及失败成本。

站内路径

• 通用概念：介绍基础术语。
• 线性模型：提供可解释的回归与分类基线。
• 深度学习：深入表示学习与神经网络架构。
• 数据科学：涵盖更广泛的证据链与可复现性流程。

Berkeley CS 189 是主要的外部课程参考。由于产品服务、模型 API 及基准测试快照迭代极快，相关内容不在此处展开。

我的阅读 · 打开过的笔记会记在当前浏览器里。