什么是机器学习

这是什么：机器学习（Machine Learning，简称 ML） = 让机器从数据里自己学规则，不用人手写。

为什么用：恭喜从 Python 基础 毕业！（懂一点 Pandas 更佳，不影响本章）从这一章起进入正题。传统编程是人写规则，可骗子话术天天变，规则永远写不完，只能让机器从数据里自己学。

如何用：本章拿"判断短信是不是垃圾"当例子，先写传统规则版，再看机器学习怎么从标好的数据里学出同样的判断。

老方法：规则由人来写

比如判断一条短信是不是垃圾短信，传统编程的思路是：程序员想清楚所有规则，写成代码：

# 传统编程：规则由人来写
def is_spam(text):
    bad_words = ["中奖", "贷款", "点击链接"]
    for word in bad_words:
        if word in text:
            return True
    return False

print(is_spam("恭喜您中奖啦，点击链接领取"))
print(is_spam("今晚一起吃饭吗？"))

你会看到：

True
False

问题来了：骗子的话术天天变，规则永远写不完。垃圾短信写得再隐晦一点，is_spam 就失灵了。

新思路：规则由数据来教

机器学习换个玩法：不写规则，而是收集几千条短信，每条都标好"是不是垃圾短信"，直接"喂"给算法。算法自己从这些例子中总结规律，生成一个模型（model）——这就是学到的"规则"。

新话术出现了？收集新样本重新学一遍，规则自动升级——这就是"学习"的含义。

三种学习方式

按"怎么学"，机器学习分三大类：

1. 监督学习（Supervised Learning）：例子带标准答案地学，像刷带答案的题库。垃圾短信识别、房价预测都是它——本系列后面几章的主角
2. 无监督学习（Unsupervised Learning）：例子不带答案，让机器自己找规律分组，比如把用户自动分成"价格敏感型""品牌忠诚型"
3. 强化学习（Reinforcement Learning）：不看书，靠试错加奖惩学，像训练小狗：做对了给零食。下围棋的 AlphaGo 就是这么练出来的

记忆口诀：人写规则是传统，数据教出是学习；带答案叫监督，不带自己分组，试错拿奖励。

动手改

1. 给 is_spam 再加 3 个黑名单词，体会一下"规则永远写不完"的感觉
2. 想一个规则根本写不出来的任务（比如"判断照片里是不是猫"），说说难在哪
3. 把"短视频猜你喜欢""快递地址自动归类""游戏 AI 打排位"和三种学习方式对号入座

下一章：监督学习入门，搞懂特征、标签和"分类 vs 回归" 🐸