机器学习到底学什么——机器学习篇章1

这个系列主要写给零基础学生。也就是说，我不会默认大家已经学过概率论、线性代数、Python、深度学习、大模型这些东西。能讲人话的地方尽量讲人话，必须写代码的地方尽量给可以直接运行的代码，必须放公式的地方也会先解释公式到底在干什么。

现在很多同学一听到AI，就会直接跳到 ChatGPT、DeepSeek、大模型、智能体、论文自动写作这些话题。但真正开始做课程作业、科研项目、竞赛或者毕业论文时，很快就会发现一个问题：

你可以不会造大模型，但你最好知道模型是怎么学习的。

这篇先不急着讲某一个算法，而是先把地图摊开：机器学习、深度学习、大模型到底是什么关系？零基础应该先学什么？后面这个系列会怎么写？

一、机器学习到底是什么

先用一句话解释：

机器学习就是让计算机从数据里总结规律，然后用这个规律去预测新的东西。

举几个例子就很好理解：

判断邮件是不是垃圾邮件

预测学生是否挂科

判断肿瘤良性还是恶性

预测房价

它的基本逻辑其实很朴素：

1. 先给它一批历史数据；

2. 让它在数据里找规律；

3. 再拿新的数据考它；

4. 看它预测得准不准；

5. 如果不准，就继续改数据、改特征、改模型、改参数。

所以机器学习不是魔法，它更像是一套“用数据做判断”的方法。

二、机器学习、深度学习、大模型是什么关系

人工智能是最大的概念，机器学习是实现人工智能的重要方法，深度学习是机器学习里的一个分支，大模型又是深度学习发展到一定规模之后的结果。

如果用更生活化的话说：

- 传统机器学习：更像“教学生做题”，你要先把题目整理好，把关键信息提出来；

- 深度学习：更像“给学生大量样例”，让它自己学出复杂模式；

- 大模型：更像“读过海量资料的超级学生”，可以根据上下文完成写作、问答、总结、代码等任务。

这也是为什么我建议零基础不要一上来就只学大模型。

大模型当然重要，但如果完全不知道训练集、测试集、特征、分类、回归、损失函数、过拟合这些概念，后面学 Prompt、RAG、微调、智能体时会很容易只会照抄教程，不知道为什么有效，也不知道哪里出了问题。

三、一个机器学习项目通常长什么样

机器学习项目看起来很复杂，但拆开后一般就这几步：

明确问题-> 准备数据-> 处理特征-> 训练模型-> 评估效果-> 调整优化-> 应用到新数据

比如我们要做一个“预测学生是否挂科”的小项目。

1. 明确问题

我们要预测的是：某个学生是否有挂科风险。

这是一个分类问题，因为结果通常是：

- 有风险；

- 没有风险。

2. 准备数据

可能需要收集这些信息：

学生姓名

出勤率

作业完成率

平时成绩

是否挂科

这里的出勤率、作业完成率、平时成绩就叫特征。是否挂科就是标签。

3. 训练模型

模型会根据历史样本学习：

- 出勤率低的人是不是更容易挂科；

- 作业完成率低的人是不是更容易挂科；

- 平时成绩低到什么程度时风险明显增加。

4. 评估效果

模型训练完不能直接说“我成功了”，还要拿它没见过的数据测试一下。如果它只是在训练数据上表现很好，一遇到新学生就判断错误，那就叫泛化能力差。

四、需要准备什么

如果你是零基础，建议先准备这些：

1. 一台电脑

2. Python 环境

3. 一个能跑代码的工具

- Jupyter Notebook；

- VS Code；

- PyCharm；

4. 一点耐心