# 2026-07-20 · 吴恩达机器学习
## 📌 核心要点
– **机器学习定义**：给计算机学习能力，无需明确编程即可改进性能（Arthur Samuel, 1959）
– **监督学习**：训练数据有标签（正确答案），学过 = 学"输入→输出"的映射
– **无监督学习**：训练数据无标签，模型自己发现数据中的结构和模式
– **回归**：预测连续值（如房价、温度）
– **分类**：预测离散类别（如是否患病、电池是否故障）
## 📝 课堂笔记
### 1. 什么是机器学习
– 传统编程：程序员写规则 → 计算机执行
– 机器学习：给数据 + 答案 → 计算机自己找规则 → 可用于新数据
– 能力圈：规则难以手动定义的场景（识别猫、预测股票、推荐系统）
### 2. 监督学习（Supervised Learning）
– 核心特征：**数据集有"正确答案"（标签）**
– 两个分支：
– 回归（Regression）：预测连续值 → 输出是实数
– 例：根据房屋面积预测房价
– 例：根据电池循环次数预测 SOH（健康度）
– 分类（Classification）：预测离散类别 → 输出是有限选项
– 例：判断是否患糖尿病（二分类）
– 例：判断糖尿病是 1 型还是 2 型（多分类）
### 3. 无监督学习（Unsupervised Learning）
– 核心特征：**数据集没有标签**
– 主要应用：
– 聚类（Clustering）：自动将数据分成组
– 例：Google 新闻自动分类（不需要人工标注每篇文章类别）
– 例：Google 根据"zoo, panda, twins"等关键词给用户个性化推送
– 异常检测：发现数据中的异常模式
– **降维（Dimensionality Reduction）**：在保留关键信息的前提下减少数据维度（PCA 主成分分析），用于数据压缩、可视化、加速后续算法
– 关键区别：没有人告诉算法"正确答案是什么"，算法自己找规律
### 4. 判断法则
– **有标签 = 监督学习，无标签 = 无监督学习**
– 特殊情况（后续课程讲）：半监督学习、自监督学习、强化学习
## ❓ 问题与自测
**Q: 机器学习和传统编程的核心区别是什么？**
A: 传统编程 = 人写规则 + 数据 → 输出结果；机器学习 = 人给数据 + 结果 → 机器自己学规则。机器学习不仅能从训练数据中提取模式，还能在新数据上迭代改进。
**Q: 监督学习中的回归和分类有什么区别？**
A: 回归预测连续值（实数输出，如"85%"的 SOH），分类预测离散类别（有限选项，如"故障/正常"）。关键看输出空间是连续的还是离散的。
**Q: 如果训练数据一部分有标签、大部分没标签，算监督还是无监督？**
A: 这种情况叫"半监督学习"，不属于监督/无监督中的任何一种。在 Phase 2.1 阶段，有标签 = 监督，没标签 = 无监督，这个判断标准够用。
