AI梗圖，早期的“AI”，是大量手寫的規則（hand crafted rules），而眼下我們討論AI，通常是在討論機器學習，在理清機器學習領域的諸多概念之前，我們先來白話一下機器學習的本質。
機器學習的本質是：尋找一個函式。
機器學習的本質是：尋找一個函式。
機器學習的本質是：尋找一個函式。
（重要的事情說三遍）
01 “函式”
函式是什麼就不解釋了，我2歲的表弟都知道。
我們可以使用一個線性函式（例如：f(x)=a*x+b）來解決一個簡單的問題，這就是我們常聽到的“線性迴歸”。
我們也不一定使用線性函式，因為世界規律不一定是線性的，例如，我們可以使用Logistic函式，這就是我們常聽到的“邏輯迴歸”。
我們還可以把線性函式替換成Sigmoid函式、ReLU函式，並且把一批此類函式組合在一起，這就是我們常聽到的“神經網路”。
我們還可以把更多的神經網路疊成不同的層，上一層的輸出作為下一層的輸入，這就是我們常聽到的“深度神經網路”。（你耳熟能詳的GPT，也屬於深度神經網路）
如果你覺得神經網路、深度神經網路概念還是有點複雜，那麼在宏觀上，你也可以把他們整體看成是一個“大函式”，一個可以擁有億萬個引數的函式。
以上，實際上是從模型層面對機器學習進行歸類。
02 “尋找”
這個尋找，就是確定引數值的數學過程（例如：確定f(x)=a*x+b中的a和b的值），用fancy的詞來說，就叫做“學習”，或者也可以叫做“訓練”，它們基本上是一個意思。
確定引數值的過程中使用的資料，就叫做“訓練資料”，訓練資料通常包含成對的函式輸入值x，和函式輸出值f(x)，函式輸出值我們也稱為“標籤”或“Label”，使用帶標籤的資料進行訓練的過程，就叫“監督學習”。
使用一部分帶標籤的資料和一部分不帶標籤的資料進行訓練，這就是我們常聽到的“半監督學習”。
完全使用不帶標籤的資料進行訓練，這就是我們常聽到的“無監督學習”。
以上，實際上是從訓練層面對機器學習進行歸類。
03 其他
當然，我們還可以從任務層面對機器學習進行分類，將其分為Regression, Classification, Structured Learning，這個太簡單，不贅述了。
下面是我整理的思維導圖，hope u find it informative！
（對了，如果有小夥伴還沒試用過ChatGPT，我搭了一個小跳板，掃描上方二維碼關注公眾號“後廠村思維導圖館”，私信留言索要，同時，也可留言索要高畫質無水印思維導圖）