机器学习是什么

这一课你将能做到

1. 用一句话说清机器学习和传统编程的区别，并能向面试官完整解释
2. 说出监督学习、无监督学习、强化学习各自解决什么问题，并各举一个本站场景的例子
3. 亲手跑通第一个机器学习模型：根据做题记录预测一道题会不会做对

为什么要学

传统编程是「人写规则」：if 答对基础题多 and 平均用时短 then 掌握。规则越写越多、越写越乱，换个场景就失效，而且你根本说不清「掌握」到底由哪几条规则决定。机器学习把思路反过来：把历史数据（几千条做题记录）和结果（做对没做对）一起喂给算法，让它自己找出规律——这就是「从数据中学习」。

本站有两个真实需求正适合机器学习：根据用户做题记录预测「每个知识点的掌握度」，根据全站作答数据给「题目估难度」。这两件事手写规则很难做好。面试中「介绍一个你的机器学习项目」，答案就从这一课开始长出来。

先建立图像

传统编程：  规则 + 数据  →  答案
机器学习：  数据 + 答案  →  规则（模型）

本站例子：
输入特征                          标签
┌─────────┬─────────┬──────┐     ┌────────┐
│ 做题数   │ 平均用时 │ 知识点 │     │ 是否答对 │
├─────────┼─────────┼──────┤     ├────────┤
│ 12      │ 45s     │ 循环  │ ──▶ │   1    │
│ 3       │ 180s    │ 多线程│ ──▶ │   0    │
│ 8       │ 60s     │ 集合  │ ──▶ │   1    │
└─────────┴─────────┴──────┘     └────────┘
模型学到的「规则」就是一个函数 f(做题数, 用时, 知识点) ≈ 答对概率

跟着做

步骤 1：准备环境

Python 3.11+，建虚拟环境并安装本课最小依赖：

python -m venv .venv
.venv\Scripts\activate              # Windows；macOS/Linux 用 source .venv/bin/activate
pip install scikit-learn numpy

步骤 2：感受「规则 vs 学习」的差别

新建 intro_demo.py：

from sklearn.linear_model import LogisticRegression
import numpy as np

# 每行特征：[做题数, 平均用时(秒)]，标签：1=答对 0=答错
X = np.array([
    [12, 45], [8, 60], [10, 50], [15, 40],   # 练得多、速度快 → 做对
    [3, 180], [2, 200], [4, 160], [1, 220],  # 练得少、卡壳久 → 做错
])
y = np.array([1, 1, 1, 1, 0, 0, 0, 0])

model = LogisticRegression()
model.fit(X, y)                    # 训练：从数据里学规律

# 预测一个新用户：做题 9 次、平均用时 55 秒
prob = model.predict_proba([[9, 55]])[0, 1]
print(f"答对概率: {prob:.2f}")     # 约 0.9 左右

运行 python intro_demo.py，输出答对概率。你没有写任何 if 规则，模型从 8 条数据里自己学出了「做题多且快 → 大概率答对」。

步骤 3：看看模型学到了什么

print("系数:", model.coef_.round(3))
print("截距:", model.intercept_.round(3))

系数含义：做题数每 +1，答对的对数几率上升；用时每增加，对数几率下降。规则被模型「写」出来了——这就是简单模型的可解释性。

步骤 4：给模型出 4 组新样本

X_new = np.array([[9, 55], [2, 190], [14, 42], [5, 120]])
print(model.predict(X_new))                       # [1 0 1 1]
print(model.predict_proba(X_new)[:, 1].round(2))

最后一组（做题 5 次、用时 120 秒）处于模糊地带，概率接近 0.5——真实系统里这种情况就该先推简单题巩固，而不是硬判「掌握」。

讲清楚要点

1. 模型是函数，训练是拟合：模型就是 f(x) → y，训练过程用数据找一组合适的参数，让预测和真实答案的差距最小。
2. 监督 / 无监督 / 强化三大类：有标准答案（标签）是监督学习（预测掌握度）；没有标签、从数据里自己找结构是无监督（把题目自动聚成难度档）；靠试错和奖励学习是强化（自适应出题策略）。
3. 分类 vs 回归：预测离散结果（做对/做错、掌握/未掌握）叫分类；预测连续数值（难度分 0-100、预计用时）叫回归。同一个业务问题两种建模都可能成立，取决于产品要什么输出。
4. 特征决定上限，模型只是逼近它：用时长、做题数、知识点这些特征选得好，简单模型也能很准；特征拉胯，再强的模型也救不回来。
5. 先跑通，再谈精度：8 条数据就能把「训练→预测」闭环走通，几千条数据才谈得上调精度。初学者最容易犯的错是一开始就追求完美。

你可能会懵的地方

• 机器学习、AI、深度学习是什么关系？ AI 是最大集合（还包括搜索、专家系统等）；机器学习是 AI 的子集（从数据中学习）；深度学习又是机器学习的子集（用多层神经网络）。本课程到 ml-dl 之前都是传统机器学习，表格数据上它至今仍是首选。
• 模型和算法有什么区别？ 算法是训练过程（怎么找到参数，比如梯度下降），模型是训练产物（找到参数后的那个函数）。LogisticRegression 是算法类，model.fit(...) 之后内存里的 model 对象才是模型。
• 数据要多少才够？ 没有绝对数，经验上每个特征至少几十到几百条样本起步。本站每天产生的做题记录远超需求，真正的瓶颈通常是数据质量而不是数量。
• 为什么第一课就用 LogisticRegression？ 它是最简单的有解释性的分类模型，一行 fit 一行 predict，能完整演示机器学习闭环，而且是面试必考题。理解它，后面所有模型都是它的变体或组合。
• 传统编程什么时候反而更好？ 规则明确且稳定时直接写 if，比如「密码长度必须 ≥ 8」。机器学习适合规则说不清楚、但数据管够的场景。不要用大炮打蚊子。

错法对照

错法	问题	正解
一上来就问「用什么神经网络」	跳过问题定义	先明确：预测什么？有没有标签？分类还是回归？
把所有列都塞给模型	无关特征稀释信号	挑和结果有相关/因果关系的特征
训练集上看到 99% 就宣布成功	可能是背题不是学习	留出测试集，用没见过的数据验证
用全站平均正确率当个人掌握度	抹掉了个体差异	按用户特征建模，预测个人概率
脏数据直接 fit	垃圾进垃圾出	先查缺失、异常值（ml-preprocess 详讲）

卡点急救

1. ModuleNotFoundError: No module named 'sklearn'：虚拟环境没激活或装错了地方。确认命令行提示符前面有 (.venv)，再执行 pip install scikit-learn。
2. predict_proba 输出看不懂：返回两列 [P(答错), P(答对)]，取 [:, 1] 才是答对概率。
3. 中文路径报错：Python 脚本和数据文件放在纯英文路径下，避开编码坑。

面试常问

• 什么是机器学习？和传统编程的核心区别？ 传统编程是人写规则处理数据得到答案；机器学习是用「数据 + 答案」自动学出规则（模型）。核心区别在规则是学出来的还是写出来的，学出来的规则能随数据分布变化而更新。
• 监督学习和无监督学习的区别？举个例子。 监督学习有标签，如用历史做题记录预测是否答对；无监督没有标签，目标是发现数据结构，如把题目按作答表现聚成难度档。本站预测掌握度属于监督学习，题目自动分组属于无监督。
• 分类和回归怎么选？ 看预测目标：离散类别用分类（掌握/未掌握），连续数值用回归（难度分、预计用时）。产品需要概率就用分类的概率输出，需要一个分数就用回归。

自测三问

1. 「数据 + 答案 → 规则」对应机器学习流程里哪两个环节？
2. 预测「用户在知识点 X 的掌握度分数（0-100）」是分类还是回归？
3. model.fit 和 model.predict 各干了什么？

小结一句话

机器学习用数据自动学出规则：特征进、预测出；监督/无监督/强化三大类，分类/回归两种输出——先把闭环跑通，再谈精度。

延伸

• scikit-learn 官方文档
• 下一课：ml-math 数学基础——不搞公式推导，只建立向量、概率、梯度下降三个直觉。