1 学习目标建立对机器学习的整体认知理解其核心定义、任务分类与基础学习范式2 学习日志2.1 核心概念理解明确了 “机器学习 ≈ 从数据中寻找最优函数” 的核心定义。机器通过定义函数集合→用数据评估函数好坏→筛选最优函数三步流程自动学习输入到输出的映射关系替代了传统人工编写规则的局限性。AI 发展脉络梳理机器学习的本质区分了人工智能、机器学习、深度学习的层级关系。人工智能是让机器模拟人类智能的宽泛目标机器学习是实现人工智能的主流技术路径而深度学习是机器学习的一个分支它通过多层神经网络自动学习数据特征是目前解决复杂任务最有效的方法。理解了早期基于人工规则的 AI 与基于数据学习的机器学习的本质差异以及深度学习作为非线性模型的发展背景。2.2基础任务分类学习任务类型核心特点典型案例回归任务输出为连续数值PM2.5 浓度预测根据历史数据预测未来数值分类任务输出为离散类别垃圾邮件过滤二分类、图像识别猫狗分类结构化学习输出为序列 / 结构化数据语音识别、机器翻译2.3 学习范式对比监督学习基于带标签数据学习eg根据棋谱学习围棋落子策略。无监督学习基于无标签数据学习数据规律eg从海量文本中学习词语含义。强化学习通过 “试错 反馈” 学习eg AlphaGo 通过胜负反馈优化对弈策略。3 学习成果1.明确了人工智能、机器学习、深度学习的层级关系建立了机器学习的整体认知框架理解了三者 “目标 - 方法 - 分支” 的包含关系。2.掌握了机器学习的核心逻辑能完整解释 “定义函数集合 - 评估函数好坏 - 优化得到最优函数” 的三步流程并对应到具体任务案例中。3.区分了监督学习、无监督学习、强化学习等主流学习范式理解了不同范式的适用场景与核心差异。4.梳理了机器学习的常见任务分类能区分回归、分类、结构化学习的输出形式与典型应用场景。