0.1 基础知识回顾
让我们开始对抗机器学习的学习之旅！今天我们从最基础的知识回顾开始。
机器学习概述
机器学习是人工智能的一个分支，它使计算机能够从数据中学习并做出决策或预测。在机器学习中，我们通常有三种主要的学习方法：
监督学习（Supervised Learning）: 这种方法使用带有标签的数据集。模型在训练时会学习输入数据与输出标签之间的关系。例如，图片分类任务。
无监督学习（Unsupervised Learning）: 在这种方法中，模型使用没有标签的数据。它试图找到数据中的结构或模式。典型的应用包括聚类和关联规则学习。
强化学习（Reinforcement Learning）: 这是一种基于奖励系统的学习方法。模型（或称为智能体）在环境中进行探索，根据其行为获得奖励或惩罚，从而学习最优的行为策略。
重要概念
在深入学习对抗机器学习之前，了解以下几个关键概念非常重要：
数据集（Dataset）: 数据集是训练模型的基础。它包含了模型需要学习的样本。
特征（Features）: 这些是输入数据中的各个观测量，用于预测或分类。
模型（Model）: 在机器学习中，模型是指通过学习数据得到的算法或数学结构，用于做出预测或决策。
训练（Training）: 这是一个过程，模型通过学习数据集来提高其性能的过程。
测试（Testing）: 在这个阶段，我们使用未在训练阶段见过的新数据来评估模型的性能。
思考题 🤔
如何选择合适的机器学习模型？
数据质量对模型性能的影响有多大？