我们搞懂了AI的基本定义，这一篇我们聚焦AI的核心分支——机器学习（Machine Learning，简称ML）。很多新手会把AI和机器学习划等号，其实不然：机器学习是AI的核心技术之一，是实现AI的“方法”，相当于AI的“大脑”，负责让机器学会从数据中提取规律、自主优化。

简单来说，机器学习的核心逻辑是“数据驱动”：通过给计算机输入大量数据，让计算机通过算法自主学习数据中的规律，然后用学到的规律解决新的问题。比如，我们给计算机输入1000张猫和狗的图片（标注好“猫”和“狗”），计算机通过算法学习猫和狗的特征（比如猫的尖耳朵、狗的大尾巴），之后再输入一张新的图片，计算机就能自主判断这是猫还是狗——这个过程，就是机器学习的核心过程。

这里要区分一个关键概念：机器学习和传统编程的区别。传统编程是“人定规则、机器执行”，比如我们编写一个“计算长方形面积”的程序，需要明确告诉机器“面积=长×宽”，机器才能执行；而机器学习是“机器从数据中找规则、自主执行”，无需人手动定义规则，机器就能通过数据自主学习。用表格更直观区分：

机器学习的三大核心范式，是入门必须掌握的重点，新手不用深入算法细节，先理解每种范式的核心逻辑和应用场景即可：

1. 监督学习：最常用、最基础的范式，核心是“有标签数据”。就像老师教学生，给数据标注好“正确答案”，机器跟着“学习”，学会后就能对新数据做预测。比如垃圾邮件识别（标注“垃圾邮件”“正常邮件”）、房价预测（标注“房屋特征+实际房价”），都属于监督学习。常见算法有线性回归、逻辑回归、决策树等。

2. 无监督学习：核心是“无标签数据”，机器自主从数据中发现规律、分组聚类。就像学生自主观察事物，没有老师指导，自己总结规律。比如用户分群（根据用户行为数据，自主将用户分成不同群体）、异常检测（识别数据中的异常值，如信用卡欺诈交易），常见算法有K-means聚类、PCA降维等。

3. 强化学习：核心是“试错学习”，机器通过与环境交互，不断试错、获得奖励或惩罚，从而优化自己的决策。比如AlphaGo下棋，通过不断和自己对弈，学习最优下棋策略；自动驾驶汽车，通过模拟路况不断试错，优化行驶决策。常见算法有Q-learning、策略梯度等。