机器学习
概念
机器学习（Machine Learning，ML）是 AI 的核心子领域，核心思想是让计算机从数据中自动学习规律和模式，而不需要显式编程。传统程序是"给定规则+数据 → 输出结果"，而机器学习是"给定数据+结果 → 学习出规则"。
机器学习本质上是寻找一个函数 f(x)，使得给定输入 x 后，输出 ŷ 尽可能接近真实值 y。这个寻找过程称为"训练"。
三大学习范式
监督学习（Supervised Learning）
训练数据包含输入和对应的标签，目标是学习从输入到标签的映射关系。
- 分类（Classification）：预测离散标签，如垃圾邮件检测、图像识别
- 回归（Regression）：预测连续数值，如房价预测、温度预测
- 常见算法：线性回归、决策树、SVM、神经网络
无监督学习（Unsupervised Learning）
训练数据只有输入没有标签，目标是发现数据的内在结构。
- 聚类（Clustering）：将相似数据分组，如用户分群、文档归类
- 降维（Dimensionality Reduction）：压缩数据维度并保留关键信息，如 PCA
- 关联规则：发现数据中的关联关系，如购物篮分析
强化学习（Reinforcement Learning）
智能体通过与环境交互，根据奖励信号学习最优策略。
- 核心要素：Agent、Environment、State、Action、Reward
- 典型算法：Q-Learning、Policy Gradient、PPO
- 代表性应用：AlphaGo、自动驾驶、游戏 AI
面试常问
- 监督学习和无监督学习的区别？各举一个前端场景。
- 什么是过拟合？如何判断和防止？
- 机器学习模型部署到前端的几种方式（如 TensorFlow.js）
训练与推理
- 训练（Training）：用大量数据和算力学习模型参数的过程，在服务器端进行。
- 推理（Inference）：用训练好的模型对新数据进行预测，可以在客户端（如浏览器中通过 WebGPU）进行。