✅ 机器学习效果好的两种情况
学习简单清晰的识别规律
拥有海量标注数据
课堂对应正向案例
车辆识别 车辆外形、车牌特征固定，网络可收集百万级车辆照片训练，属于简单视觉识别任务，满足两大条件，识别精度很高。
大批量 X 光胸片肺炎筛查 当数据集包含上万张标注完成的肺部 X 光片时，病灶视觉特征统一，模型可以稳定识别肺炎影像，辅助医生批量初筛。
❌ 机器学习效果差的两种情况
依靠少量数据去学习复杂抽象概念
要求模型处理从未见过的全新类型数据
课堂对应反向案例
少量 X 光胸片识别肺炎 若仅拥有几十 / 几百张胸片样本，数据量不足，肺炎病灶的复杂视觉特征无法被模型完整学习，识别准确率大幅下跌。属于「小数据学习复杂概念」，契合第一条劣势场景。
通过人类手势识别内心意图 手势的含义随场景、文化变化，背后的人的想法属于高度抽象复杂概念；同时不存在统一、海量标注数据集，模型无法稳定判断手势代表的真实意图。同样属于「小数据 + 复杂概念」的劣势场景。
💡 课程底层逻辑总结
机器学习的本质是学习数据里的表层统计规律，它不具备人类的抽象理解、常识推理能力：
- 满足「简单规律 + 充足数据」，就能落地高效应用；
- 只要数据稀缺，或是任务需要解读抽象、多变的含义，模型就很难产出可靠结果。
