第2章 大模型的基础知识2.1 机器学习与深度学习基础2.1.1 机器学习概述_机器学习 深度学习 大模型

1.背景介绍

机器学习是一种计算机科学的分支，它使计算机能够从数据中自动学习和预测。机器学习的目标是使计算机能够从数据中自主地学习出模式，从而进行预测或决策。

1. 背景介绍

机器学习的历史可以追溯到1950年代，当时的研究者试图让计算机学习如何识别图像、语音和文本。随着计算能力的提高，机器学习技术的发展也逐渐加速。

现在，机器学习已经成为一种广泛应用的技术，它可以用于各种领域，如医疗、金融、教育、自动驾驶等。机器学习的核心是通过大量数据的学习和训练，使计算机能够自主地进行预测和决策。

2. 核心概念与联系

机器学习的核心概念包括：

• 数据：机器学习的基础是数据，数据是机器学习算法的输入和输出。
• 特征：特征是数据中用于描述数据的属性。
• 模型：模型是机器学习算法的核心，它是用于预测和决策的基础。
• 训练：训练是机器学习算法的过程，通过训练，算法可以学习出模型。
• 验证：验证是用于评估模型性能的过程，通过验证，可以判断模型是否有效。

深度学习是机器学习的一个子集，它使用多层神经网络来进行学习和预测。深度学习的核心概念包括：

• 神经网络：神经网络是深度学习的基础，它由多个节点和连接节点的层组成。
• 层：层是神经网络的基本单位，每个层都有一定的功能。
• 节点：节点是神经网络中的基本单位，它们接收输入、进行计算并输出结果。
• 激活函数：激活函数是神经网络中的一个关键组件，它用于控制节点的输出。