Machine learning 我们在机器学习中到底学习什么？

我刚开始学习机器学习，学习了一些基本的算法，我脑子里有一个愚蠢的疑问，我无法找到答案。 在机器学习算法中，我们实际上研究了什么？这些算法是基于给算法提供的数据来解决各种问题的

以线性回归为例：

我们提供数据

我们告诉机器如何计算误差

使用梯度下降，我们也告诉机器如何优化 并在此基础上提出了一些优化参数

---

为什么在这个算法中有一个“学习”字？尽管我们正在讲述如何执行这些步骤，并且我们已经提供了该算法中的所有数学知识。

您认为的学习根本不是学习。它正在设计模型。其中，学习意味着根据数据更新参数。正如我现在所想的，你不太清楚我们为什么使用机器学习。机器学习用于问题无法显式编程或难以显式编写程序的问题。

假设您想制作一个能够区分猫和狗的分类器。那么，如果你被要求手动编程呢？-也就是说，你自己制定规则，可以用来区分猫和狗？你能想象手动找到这些规则会有多痛苦吗？-例如，猫有胡子，狗没有……有时，如果目标类非常抽象或者需要考虑很多特性，你自己可能根本无法做到这一点

机器学习同样是非常通用的。一旦你建立了一个合适的模型，就可以对它进行任何相关的培训。它只是想从你的数字数据和适当的输出标签（监督学习）。所以，如果你训练它，同样的猫对狗模型也可以用于鸭子对鸡。在这里，你不需要知道猫和狗或鸡和鸡在外表上的区别。同样，您不需要手动查找这些差异并手动编写代码。模型本身就是从数据中学习差异。您所需要做的只是预处理数据（转换为ML模型可以获取的适当数值数据）

---

线性回归是一种非常初步的ML算法。如果您学习了更高级的ML算法，如神经网络、支持向量机、随机森林等，那么原因将更清楚。

堆栈交换的数据科学部分肯定更欢迎这个问题。你更有可能在那里得到好的答案：