前言
本文章是拨珠自己的学习笔记，自用为主，学习请移步专门教程，若有错误请大佬轻喷，也欢迎同好交流学习。
本文将阐述三个问题。
什么是机器学习？
监督学习、无监督学习到底在干什么？
分类、回归、聚类又是怎么回事？
一、一句话说清：机器学习是干什么的？
想像你养了一只小狗。
第一次，你把飞盘扔出去，小狗不知道要去捡。
你反复示范、奖励，它慢慢学会“看到飞盘→跑过去→叼回来”。
机器学习就是让电脑像小狗一样，通过“大量练习（数据）”自己学会一套规则，以后遇到新问题也能做出正确反应。
二、三个关键词：人工智能、机器学习、深度学习
用“套娃”来理解：
人工智能（AI）：最大的套娃，目标让机器像人一样聪明。
机器学习（ML）：实现AI的一种方法——让机器自己从数据里“练级”变强。
深度学习（DL）：机器学习里的一个“大招”，用很深的神经网络处理图像、语音等复杂任务。
三、机器学习的四大门派
| 门派 | 通俗解释 | 举个栗子 |
|---|---|---|
| 监督学习 | 老师带着练：题目+标准答案一起给 | 给1000张“猫/狗”照片并告诉你每张是猫还是狗，让电脑学会辨认新照片 |
| 无监督学习 | 自学：只给题目，不给答案 | 给你一堆用户购物记录，让电脑自己把“相似购物习惯”的人分成几组 |
| 半监督学习 | 少数老师+多数自学 | 100张带标签的猫狗照 + 9000张没标签的照，一起学 |
| 强化学习 | 试错升级：做对奖励，做错惩罚 | AlphaGo跟自己下围棋，赢了加分、输了扣分，越下越厉害 |
四、监督学习：有标准答案的练习册
分类问题（答案是一个类别）
例：邮箱收到新邮件，系统判断是“垃圾邮件”还是“正常邮件”。
再例：花瓣长5cm→大概率是“B品种花”。
回归问题（答案是一个数值）
例：根据房子面积、地段来预测“房价是多少万元”。
再例：根据往年降雨量预测“明天河流水位会涨到多少米”。
五、无监督学习：没有答案，自己找规律
最常见的是聚类（把相似的东西放一堆）。
例：
把一堆花瓣按“长度+宽度”画在坐标纸上，人眼都能看出两团点，电脑也能自动分成“很可能是两种花”。好处：
给数据打好“疑似标签”后，人类再去确认，比人工一张张标省事多了。
六、一张图秒懂整体流程
原始数据 → 无监督学习先分堆（节省人工标注） → 得到带标签数据 → 交给监督学习模型训练 → 模型上线做预测
七、小结
机器学习 = 让电脑用“数据练习”变聪明。
监督学习：有答案，学“做题套路”。
分类：答案是一类。
回归：答案是一个数。
无监督学习：没答案，自己找“谁和谁像”。
深度学习：机器学习里用“多层神经网络”的大招。
 SQL引擎-分布式计划)
)
