新闻详情

新闻详情

首页 / 资讯中心 / 详情

机器学习为什么叫机器学习:术语命名与学科边界

发布时间:2026/11/21 21:20:29来源:尧图网络
机器学习为什么叫机器学习:术语命名与学科边界
有个挺有意思的现象身边不少朋友把《机器学习》《统计学习方法》《机器学习实战》这几本书翻得卷了边逻辑回归的梯度能自己推sklearn的接口调得很熟甚至能搭一个两层的小网络跑通手写数字识别但你问他一句机器学习为什么叫机器学习多数人愣一下然后说不就是让机器自己去学吗。这个回答不算错可它太顺滑了顺滑到你根本不会追问机器凭什么能学学这个字是谁先安上去的安上去的时候它想表达的是今天这个意思吗我写这篇东西不打算讲任何一个具体算法只想把机器学习这四个字的来路捋一遍。原因很直接——把这名字捋清楚你会突然明白为什么这门学科一会儿被塞进计算机系、一会儿被拉去统计系、一会儿又要和模式识别、深度学习、统计学习做切割。这些看起来像学术圈内部抢地盘的行政问题根子基本都埋在名字里。它适合任何刚开始学机器学习、或者学了两年但没认真想过它出身的人读看完你对它在研究什么这件事会有个更稳的判断。1. 一个看起来天经地义的名字其实是被争论出来的1.1 名字不是被起出来的是被用出来的很多人默认一件事每个学科的名字都是某个权威在某个庄严场合正式定下来的像给新生儿上户口一样。真实的命名过程要粗糙得多。学术领域里一个术语能不能活下来通常取决于三件事——有没有人在正式出版物里反复用它、用它的人后来有没有做成事情、以及这个名字会不会让人产生严重误解。三个条件里前两个是最硬的第三个往往被忽略等大家发现问题的时候名字已经改不动了。机器学习就属于这种。它不是一个被规划出来的名字而是一个被用出来、然后被沿用、最后被固化的名字。它的英文 machine learning直译过来就是机器的学习。注意这里有个语法上的微妙之处它不是学习机器learning machine而是机器的学习machine learning。前者说的是一种设备的类型后者说的是一种现象。这个区别看起来很小但它决定了这门学科到底在描述什么——它描述的是机器身上发生的学习现象而不是某种会学习的机器。我见过不少人第一次接触时把这两个概念搞混以为机器学习就是研究某种特殊的硬件。不是。它研究的是现象、方法和规律硬件只是载体。这个误解的源头就是名字里那个机器太显眼了。1.2 名字决定了你从哪扇门进来一个名字最大的作用其实不是描述而是暗示。它会告诉后来的人这个领域的核心问题在哪。名字里带机器你自然会觉得核心是计算设备和程序名字里带统计你会觉得核心是概率模型和推断名字里带识别你会觉得核心是把输入分到某个类别里去。同一批方法挂上不同的名字吸引来的是完全不同背景的人。这带来一个很现实的结果你如果学机器学习是
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/21 14:14:45

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/21 14:14:26

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/21 21:08:55

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/20 16:11:20

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/21 19:02:25

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/21 14:13:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉