在人工智能迅速發(fā)展的當下，機器學(xué)習(xí)作為實現(xiàn)AI的核心技術(shù)路徑，正吸引著越來越多的關(guān)注。本文為機器學(xué)習(xí)的初學(xué)者提供了一份全面的入門總結(jié)，從機器學(xué)習(xí)的基本概念、發(fā)展歷程、核心原理到不同學(xué)習(xí)類型的分類和應(yīng)用場景，進行了深入淺出的講解。

近兩年來 AI 產(chǎn)業(yè)已然成為新的焦點和風(fēng)口，各互聯(lián)網(wǎng)巨頭都在布局人工智能，不少互聯(lián)網(wǎng)產(chǎn)品經(jīng)理也開始考慮轉(zhuǎn)型 AI 產(chǎn)品經(jīng)理，入門AI產(chǎn)品經(jīng)理，或許你應(yīng)該了解一些技術(shù)，本文將為你詳細介紹機器學(xué)習(xí)

機器學(xué)習(xí)（Machine Learning, ML）與人工智能（Artificial Intelligence, AI）是技術(shù)演進中密不可分的兩個概念

機器學(xué)習(xí)是實現(xiàn)人工智能的核心技術(shù)路徑，而人工智能是機器學(xué)習(xí)的終極目標。

本文將為你詳細介紹機器學(xué)習(xí)

一、基本概念

機器學(xué)習(xí)（Machine Learning, ML）是教會計算機從數(shù)據(jù)中自動發(fā)現(xiàn)規(guī)律，并利用這些規(guī)律進行預(yù)測或決策的技術(shù)。

簡單來說，就是讓機器像人類一樣“學(xué)習(xí)經(jīng)驗”，而無需被明確編程每一步該怎么做。

機器學(xué)習(xí)不是某種具體的算法，而是很多算法的統(tǒng)稱。機器學(xué)習(xí)包含了很多種不同的算法，深度學(xué)習(xí)就是其中之一，這些算法能夠讓計算機自己在數(shù)據(jù)中學(xué)習(xí)從而進行預(yù)測。無論使用什么算法，使用什么樣的數(shù)據(jù)，最根本的思路都逃不出下面的3步！

機器學(xué)習(xí)的基本思路如下：

1. 把現(xiàn)實生活中的問題抽象成數(shù)學(xué)模型，并且很清楚模型中不同參數(shù)的作用
2. 利用數(shù)學(xué)方法對這個數(shù)學(xué)模型進行求解，從而解決現(xiàn)實生活中的問題
3. 評估這個數(shù)學(xué)模型，是否真正的解決了現(xiàn)實生活中的問題，解決的如何？

其中，最難的部分也就是把現(xiàn)實問題轉(zhuǎn)換為數(shù)學(xué)問題這一步

二、發(fā)展歷程和關(guān)鍵階段

（1）萌芽階段（1950s-1960s）

以塞繆爾的下棋程序為代表，首次驗證機器可通過學(xué)習(xí)提升能力，但局限于簡單任務(wù)。

（2）知識驅(qū)動階段（1960s-1970s）

研究者嘗試將人類知識植入系統(tǒng)，但受限于知識表示和獲取難度

（3）復(fù)興階段（1970s-1980s）

機器學(xué)習(xí)與專家系統(tǒng)結(jié)合，示例歸納學(xué)習(xí)成為主流，國際會議和期刊的誕生推動學(xué)科發(fā)展

（4）*大數(shù)據(jù)與深度學(xué)習(xí)時代（2000s至今）

隨著算力和數(shù)據(jù)量爆發(fā)，深度學(xué)習(xí)（如AlexNet）在圖像識別、自然語言處理等領(lǐng)域?qū)崿F(xiàn)突破，推動自動駕駛、醫(yī)療診斷等應(yīng)用落地

三、機器學(xué)習(xí)的基本原理

下面以監(jiān)督學(xué)習(xí)為例，給大家講解一下機器學(xué)習(xí)的實現(xiàn)原理。

假如我們正在教小朋友識字（一、二、三）。

我們首先會拿出3張卡片，然后便讓小朋友看卡片，一邊說“一條橫線的是一、兩條橫線的是二、三條橫線的是三”。

不斷重復(fù)上面的過程，小朋友的大腦就在不停的學(xué)習(xí)。

當重復(fù)的次數(shù)足夠多時，小朋友就學(xué)會了一個新技能——認識漢字：一、二、三。

我們用上面人類的學(xué)習(xí)過程來類比機器學(xué)習(xí)。

機器學(xué)習(xí)跟上面提到的人類學(xué)習(xí)過程很相似。

• 上面提到的認字的卡片在機器學(xué)習(xí)中叫——訓(xùn)練集
• 上面提到的“一條橫線，兩條橫線”這種區(qū)分不同漢字的屬性叫——特征
• 小朋友不斷學(xué)習(xí)的過程叫——建模
• 學(xué)會了識字后總結(jié)出來的規(guī)律叫——模型

通過訓(xùn)練集，不斷識別特征，不斷建模，最后形成有效的模型，這個過程就叫“機器學(xué)習(xí)”！

四、分類

機器學(xué)習(xí)常見的10個學(xué)習(xí)類型如下

其核心邏輯都是根據(jù)數(shù)據(jù)條件 （標注、規(guī)模、分布）、任務(wù)需求 （實時性、多任務(wù)、跨領(lǐng)域）和資源限制 （計算、隱私）選擇合適方法。

其中，基礎(chǔ)學(xué)習(xí)類型 （監(jiān)督/無監(jiān)督/強化學(xué)習(xí)）解決大多數(shù)傳統(tǒng)問題，進階學(xué)習(xí)類型突破數(shù)據(jù)、隱私、動態(tài)環(huán)境等限制。

1. 監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)是指我們給算法一個數(shù)據(jù)集，并且給定正確答案。機器通過數(shù)據(jù)來學(xué)習(xí)正確答案的計算方法。

其中，數(shù)據(jù)有明確的標簽，其學(xué)習(xí)方式是根據(jù)輸入（特征）和輸出（標簽）的關(guān)系，建立一個預(yù)測模型。

（1）典型任務(wù)

• 分類（預(yù)測類別）：判斷腫瘤是良性還是惡性。
• 回歸（預(yù)測數(shù)值）：預(yù)測房價、氣溫。

（2）常見算法

線性回歸、決策樹、支持向量機（SVM）、神經(jīng)網(wǎng)絡(luò)

（3）舉例

我們準備了一大堆貓和狗的照片，我們想讓機器學(xué)會如何識別貓和狗。

當我們使用監(jiān)督學(xué)習(xí)的時候，我們需要給這些照片打上標簽。

我們給照片打的標簽就是“正確答案”，機器通過大量學(xué)習(xí)，就可以學(xué)會在新照片中認出貓和狗。

2. 非監(jiān)督學(xué)習(xí)

非監(jiān)督學(xué)習(xí)中，給定的數(shù)據(jù)集沒有“正確答案”，所有的數(shù)據(jù)都是一樣的。

無監(jiān)督學(xué)習(xí)的任務(wù)是從給定的數(shù)據(jù)集中，挖掘出潛在的結(jié)構(gòu)。

其中，數(shù)據(jù)沒有標簽，其學(xué)習(xí)方式是發(fā)現(xiàn)數(shù)據(jù)中的隱藏規(guī)律或結(jié)構(gòu)（比如分組、簡化數(shù)據(jù)）。

（1）典型任務(wù)

• 聚類（Clustering）：把用戶按購買行為分成不同群體。
• 降維（Dimensionality Reduction）：將高維數(shù)據(jù)壓縮成2D/3D可視化。
• 關(guān)聯(lián)分析：發(fā)現(xiàn)超市商品之間的購買關(guān)聯(lián)（如啤酒和尿布）。

（2）常見算法

K-Means、PCA（主成分分析）、Apriori。

（3）舉例

我們把一堆貓和狗的照片給機器，不給這些照片打任何標簽，但是我們希望機器能夠?qū)⑦@些照片分分類

通過學(xué)習(xí)，機器會把這些照片分為2類，一類都是貓的照片，一類都是狗的照片。

雖然跟上面的監(jiān)督學(xué)習(xí)看上去結(jié)果差不多，但是有著本質(zhì)的差別：

非監(jiān)督學(xué)習(xí)中，雖然照片分為了貓和狗，但是機器并不知道哪個是貓，哪個是狗。

對于機器來說，相當于分成了 A、B 兩類。

3. 強化學(xué)習(xí)

關(guān)注的是智能體如何在環(huán)境中采取一系列行為，從而獲得最大的累積回報。

通過強化學(xué)習(xí)，一個智能體應(yīng)該知道在什么狀態(tài)下應(yīng)該采取什么行為。

其中，沒有現(xiàn)成的數(shù)據(jù)，而是通過與環(huán)境互動獲得反饋（獎勵/懲罰），其學(xué)習(xí)目標是找到最優(yōu)策略（Policy），讓智能體（Agent）在環(huán)境中獲得最大累積獎勵。

（1） 核心要素

• 環(huán)境 （如游戲世界、自動駕駛場景）
• 動作 （Agent的行為，如踩油門、左轉(zhuǎn)）
• 獎勵 （如得分增加、避免碰撞）

（2）典型任務(wù)

游戲AI（如AlphaGo）、機器人控制、自動駕駛。

（3）常見算法

Q-Learning、深度強化學(xué)習(xí)（DQN）

（4）舉例

訓(xùn)練小狗接飛盤：

• 小狗成功接到飛盤 → 給它零食（正向獎勵）
• 小狗沒接到 → 不給零食（無獎勵）
• 小狗逐漸學(xué)會“加速奔跑+跳躍”的策略，以最大化獲得零食的機會

4. 半監(jiān)督學(xué)習(xí)

結(jié)合少量標注數(shù)據(jù) + 大量無標注數(shù)據(jù)聯(lián)合訓(xùn)練，降低標注成本。

（1）典型任務(wù)

• 醫(yī)學(xué)影像分析（標注成本高）
• 文本分類（部分文檔無標簽）

（2）常見算法

• 標簽傳播（Label Propagation）
• 半監(jiān)督GAN（生成對抗網(wǎng)絡(luò)）
• 自訓(xùn)練（Self-training）

（3）舉例

訓(xùn)練一個AI模型來自動識別肺部X光片中的腫瘤，但僅有少量標注數(shù)據(jù) （如1000張明確標注“正?！被颉澳[瘤”的X光片）和大量未標注數(shù)據(jù) （如10萬張未標注的X光片）。

半監(jiān)督學(xué)習(xí)通過以下步驟解決標注不足的問題：

①初始模型訓(xùn)練：1000張已標注的X光片（如500張正常、500張腫瘤），用這些標注數(shù)據(jù)訓(xùn)練一個基礎(chǔ)分類模型（如卷積神經(jīng)網(wǎng)絡(luò)），學(xué)習(xí)初步的腫瘤識別規(guī)律，例如腫瘤區(qū)域的紋理、邊緣模糊度等特征

②未標注數(shù)據(jù)的偽標簽生成：將10萬張未標注的X光片輸入初始模型進行預(yù)測，生成偽標簽 （即模型預(yù)測的“正?！被颉澳[瘤”結(jié)果），僅保留模型預(yù)測置信度高的樣本（例如預(yù)測概率>90%的5萬張），作為“偽標注數(shù)據(jù)”加入訓(xùn)練集，其原理是假設(shè)模型對高置信度樣本的預(yù)測基本正確，通過擴大數(shù)據(jù)量優(yōu)化模型對肺部結(jié)構(gòu)的理解

③迭代優(yōu)化與核心假設(shè)：合并初始標注數(shù)據(jù)和偽標注數(shù)據(jù)，重新訓(xùn)練模型。重復(fù)此過程多次，逐步優(yōu)化模型性能

④實際應(yīng)用：最終模型可識別更多復(fù)雜病例（如早期腫瘤、微小病灶），準確率顯著高于僅使用標注數(shù)據(jù)訓(xùn)練的模型。

5. 自監(jiān)督學(xué)習(xí)

自監(jiān)督學(xué)習(xí)屬于無監(jiān)督學(xué)習(xí)的一種。數(shù)據(jù)本身沒有任務(wù)需要的標簽。

自監(jiān)督學(xué)習(xí)需要人為的構(gòu)造標簽，讓模型來學(xué)習(xí)特征。

（1）典型任務(wù)

• 預(yù)訓(xùn)練通用表征（如文本、圖像）
• 下游任務(wù)微調(diào)（如問答系統(tǒng)、圖像分類）

（2）常見算法

• BERT（掩碼語言模型）
• GPT（生成式預(yù)訓(xùn)練）
• SimCLR（對比學(xué)習(xí)）
• MAE（掩碼自編碼器）

（3）舉例

• 文本填空 （如BERT）：遮蓋句子中的詞語，讓模型預(yù)測被遮部分（如“貓喜歡喝__”預(yù)測“牛奶”）。
• 視頻幀預(yù)測：利用視頻相鄰幀的連續(xù)性，預(yù)測下一幀內(nèi)容。
• 圖像著色：將黑白圖片輸入模型，預(yù)測原始顏色分布

6. 多任務(wù)學(xué)習(xí)

同時學(xué)習(xí)多個相關(guān)任務(wù)，共享部分模型參數(shù)以提高泛化能力

（1）典型任務(wù)

• 自動駕駛（同時檢測車輛、行人、車道線）
• 自然語言處理（如聯(lián)合學(xué)習(xí)命名實體識別和詞性標注）

（2）常見算法

• 多任務(wù)神經(jīng)網(wǎng)絡(luò)（共享底層，任務(wù)特定輸出層）
• 聯(lián)合訓(xùn)練Transformer

（3）舉例

• 自然語言處理：同時處理文本分類、情感分析、命名實體識別等任務(wù)。
• 計算機視覺：同時處理目標檢測、圖像分割、人臉識別等任務(wù)。
• 醫(yī)療健康：結(jié)合病例診斷、預(yù)測疾病風(fēng)險等多個任務(wù)，提供更全面的醫(yī)療輔助服務(wù)。
• 語音識別：同時處理語音識別、語音情感分析、說話人識別等任務(wù)。

7. 在線學(xué)習(xí)

模型每次接收一個或一小批新數(shù)據(jù)（如用戶點擊行為），立即調(diào)整參數(shù)，無需重新訓(xùn)練整個模型，適應(yīng)數(shù)據(jù)分布動態(tài)變化。

（1）典型任務(wù)

• 實時推薦系統(tǒng)（如新聞、廣告）
• 金融風(fēng)控（如實時檢測欺詐交易）

（2）常見算法

• 在線梯度下降（Online Gradient Descent）
• 跟隨正則化領(lǐng)導(dǎo)（FTRL）

（3）舉例

根據(jù)用戶實時點擊行為調(diào)整短視頻推薦策略，每小時更新模型。

8. 遷移學(xué)習(xí)

遷移學(xué)習(xí)是通過從已學(xué)習(xí)的相關(guān)任務(wù)中轉(zhuǎn)移知識來改進學(xué)習(xí)的新任務(wù)，解決目標數(shù)據(jù)不足問題。

遷移學(xué)習(xí)的靈感來源于人類的學(xué)習(xí)方式。

例如：會騎自行車的人更容易學(xué)會摩托車（兩者平衡技巧相似）

其技術(shù)本質(zhì)是通過共享源域和目標域的底層規(guī)律（如特征、模型參數(shù)），讓模型避免從零學(xué)習(xí)，快速適應(yīng)新任務(wù)

（1）遷移學(xué)習(xí)的基本問題

• How to transfer： 如何進行遷移學(xué)習(xí)？（設(shè)計遷移方法）
• What to transfer： 給定一個目標領(lǐng)域，如何找到相對應(yīng)的源領(lǐng)域，然后進行遷移？（源領(lǐng)域選擇）
• When to transfer： 什么時候可以進行遷移，什么時候不可以？（避免負遷移）

（2）常見算法

• 預(yù)訓(xùn)練模型微調(diào)（如ResNet、BERT）
• 特征提取（固定預(yù)訓(xùn)練模型，僅訓(xùn)練新分類層）

（3）舉例

9. 聯(lián)邦學(xué)習(xí)

多個設(shè)備/機構(gòu)協(xié)同訓(xùn)練模型，數(shù)據(jù)不離開本地，保護隱私

聯(lián)邦學(xué)習(xí)（Federated Learning, FL） 是一種分布式機器學(xué)習(xí)范式 ，

其核心目標是 在保護數(shù)據(jù)隱私的前提下，聯(lián)合多個參與方（如設(shè)備、機構(gòu)或數(shù)據(jù)孤島）共同訓(xùn)練模型 ，而無需共享原始數(shù)據(jù)。

（1）基本流程

• 初始化全局模型 ：中央服務(wù)器（或協(xié)調(diào)方）初始化一個基礎(chǔ)模型并分發(fā)給各參與方。
• 本地訓(xùn)練 ：各參與方利用本地數(shù)據(jù)訓(xùn)練模型，生成模型參數(shù)或梯度更新。
• 參數(shù)上傳與聚合 ：參與方將本地模型更新上傳至服務(wù)器，服務(wù)器通過加權(quán)平均等方式聚合參數(shù)，生成全局模型。
• 迭代優(yōu)化 ：重復(fù)上述步驟，直至模型收斂

（2）常見算法

• FedAvg（聯(lián)邦平均）
• 差分隱私聯(lián)邦學(xué)習(xí)（添加噪聲保護數(shù)據(jù)）

（3）舉例

• 金融風(fēng)控 ：銀行間聯(lián)合建模反欺詐系統(tǒng)，不共享客戶數(shù)據(jù)。
• 醫(yī)療健康 ：醫(yī)院協(xié)作訓(xùn)練疾病預(yù)測模型，保護患者隱私。
• 智能終端 ：手機輸入法（如蘋果Siri）通過本地數(shù)據(jù)優(yōu)化語音識別。
• 自動駕駛 ：多車協(xié)同訓(xùn)練駕駛模型，提升安全性

10. 元學(xué)習(xí)

元學(xué)習(xí)的目標是 學(xué)習(xí)“如何學(xué)習(xí)” ，而非直接解決單一任務(wù)。

它通過分析多個相關(guān)任務(wù)的共性（如數(shù)據(jù)分布、特征關(guān)聯(lián)性等），提取可遷移的元知識（Meta-Knowledge），從而在面對新任務(wù)時僅需少量樣本即可高效調(diào)整模型

（1）主要方法分類

根據(jù)知識遷移方式，元學(xué)習(xí)可分為三類主流方法：

①基于優(yōu)化的元學(xué)習(xí)

• 學(xué)習(xí)一個適用于多任務(wù)的模型初始化參數(shù)，使模型通過少量梯度更新即可適應(yīng)新任務(wù)
• 無需修改模型結(jié)構(gòu)，通用性強。

②基于度量的元學(xué)習(xí)

• 學(xué)習(xí)一個相似性度量空間，通過比較新樣本與已知樣本的距離進行分類。
• 如少樣本圖像分類（如清華團隊在MetaDL挑戰(zhàn)賽中提出的自適應(yīng)度量方法）

③基于模型的元學(xué)習(xí)

• 設(shè)計具有記憶或注意力機制的模型結(jié)構(gòu)，動態(tài)存儲和調(diào)用任務(wù)相關(guān)知識。
• 適合處理時序依賴強的任務(wù)（如機器人連續(xù)決策）

（2）常見算法

• MAML（模型無關(guān)元學(xué)習(xí)）
• Prototypical Networks（原型網(wǎng)絡(luò)）

（3）舉例

機器人在不同地形中調(diào)整行走策略

僅需幾張新類別圖片即可完成圖像識別

五、如何選擇對應(yīng)的方法

選擇機器學(xué)習(xí)方法的關(guān)鍵在于平衡數(shù)據(jù)、任務(wù)與資源三角關(guān)系，其核心決策原則

• 從數(shù)據(jù)出發(fā)：數(shù)據(jù)質(zhì)量與規(guī)模決定方法上限。
• 任務(wù)驅(qū)動：明確目標是分類、聚類還是決策。
• 資源適配：在算力、時間、成本間權(quán)衡。
• 迭代優(yōu)化：從簡單方法開始，逐步升級復(fù)雜度（如：線性模型 → 樹模型 → 神經(jīng)網(wǎng)絡(luò)）

在選擇機器學(xué)習(xí)方法時，可參考以下表格進行選擇

六、機器學(xué)習(xí)實操步驟

機器學(xué)習(xí)在實際操作層面一共分為7步：收集數(shù)據(jù)、數(shù)據(jù)準備、選擇一個模型、訓(xùn)練、評估、參數(shù)調(diào)整、預(yù)測

1. 收集數(shù)據(jù)

獲取與問題相關(guān)的原始數(shù)據(jù)（如用戶行為記錄、傳感器數(shù)據(jù)、圖片等）

（1）數(shù)據(jù)來源

公開數(shù)據(jù)集（如Kaggle）、爬蟲抓取、傳感器采集（如攝像頭圖像）。

（2）常見問題

• 數(shù)據(jù)量不足（如只有100條樣本）
• 數(shù)據(jù)偏差（如只收集了某地區(qū)的房價）

2. 數(shù)據(jù)準備

清洗數(shù)據(jù)、處理缺失值、標準化、特征提取等

（1）數(shù)據(jù)清洗

處理缺失值（如刪除缺失行或用平均值填充）、去除重復(fù)或錯誤數(shù)據(jù)（如年齡字段出現(xiàn)負數(shù)）。

（2）特征工程

• 提取特征：從日期中拆分“月份”和“星期幾”。
• 轉(zhuǎn)換數(shù)據(jù)：將文本轉(zhuǎn)為數(shù)值（如“男/女”編碼為0/1）。
• 標準化：將身高數(shù)據(jù)從“厘米”統(tǒng)一為“米”。

（3）劃分數(shù)據(jù)集

• 訓(xùn)練集（70%）：用于模型學(xué)習(xí)。
• 驗證集（15%）：調(diào)參時評估效果。
• 測試集（15%）：最終考核模型。

3. 選擇一個模型

根據(jù)問題類型選擇算法模型

• 分類任務(wù) （如垃圾郵件識別）→ 邏輯回歸、隨機森林、神經(jīng)網(wǎng)絡(luò)。
• 回歸任務(wù) （如房價預(yù)測）→ 線性回歸、梯度提升樹。
• 聚類任務(wù) （如用戶分群）→ K-means、層次聚類。

新手建議：從簡單模型（如線性回歸）開始，再嘗試復(fù)雜模型（如深度學(xué)習(xí)）

4. 訓(xùn)練

讓模型從數(shù)據(jù)中學(xué)習(xí)規(guī)律評估

（1）核心過程

• 模型通過調(diào)整內(nèi)部參數(shù)（如權(quán)重）擬合數(shù)據(jù)。
• 使用優(yōu)化算法（如梯度下降）最小化預(yù)測誤差（損失函數(shù)）

（2）關(guān)鍵參數(shù)

• 學(xué)習(xí)率：控制參數(shù)調(diào)整幅度（太大可能“跳過”最優(yōu)解，太小訓(xùn)練慢）
• 迭代次數(shù)（Epochs） ：數(shù)據(jù)被模型學(xué)習(xí)的輪次

5. 評估

用測試集驗證模型效果，判斷模型是否“學(xué)得好”

（1）評估指標

• 分類任務(wù)：準確率、精確率、召回率、F1分數(shù)。
• 回歸任務(wù)：均方誤差（MSE）、R2分數(shù)。
• 聚類任務(wù)：輪廓系數(shù)、類內(nèi)距離。

（2）驗證方法

交叉驗證：將數(shù)據(jù)分成多份，輪流用其中一份作為驗證集，提高評估可靠性。

（3）常見問題

• 過擬合：模型在訓(xùn)練集表現(xiàn)好，測試集差（像死記硬背的學(xué)生）。
• 欠擬合：訓(xùn)練集和測試集都表現(xiàn)差（沒學(xué)會規(guī)律）。

6. 參數(shù)調(diào)整

調(diào)整模型的超參數(shù)（如學(xué)習(xí)率、樹的深度）提升效果

（1）調(diào)整內(nèi)容

• 模型超參數(shù)：如神經(jīng)網(wǎng)絡(luò)的層數(shù)、決策樹的深度。
• 訓(xùn)練參數(shù)：如學(xué)習(xí)率、批量大小（Batch Size）。

（2）調(diào)參方法

• 網(wǎng)格搜索：遍歷所有可能的參數(shù)組合，尋找最優(yōu)解（計算成本高）。
• 隨機搜索：隨機嘗試參數(shù)組合，效率更高。
• 自動化工具：如AutoML（自動機器學(xué)習(xí)）

7. 預(yù)測

將訓(xùn)練好的模型投入實際使用

（1）部署方式

封裝成API、嵌入到App或硬件設(shè)備中。

（2）持續(xù)監(jiān)控

模型上線后可能出現(xiàn)性能下降（如數(shù)據(jù)分布變化）

七、常見算法

注意，深度學(xué)習(xí)更多是監(jiān)督學(xué)習(xí)的一種延伸，或者屬于模型類型而非訓(xùn)練方法