机器学习核心概念与主流技术综述
本文系统阐述人工智能通识中机器学习基础部分的内容，首先阐明机器学习作为依托数据资源、借助算法工具挖掘规律的方法论，按照样本是否带有标签划分为监督式与无监督式两大类别，其中监督学习涵盖分类与回归两种核心任务。随后深入解析线性回归、支持向量机、K均值聚类等经典算法的基本原理、数学公式、实现步骤及其各自优缺点。接着探讨模型的评估与优化策略，阐释经验误差、欠拟合、过拟合等关键概念及其对应的解决方案，介绍留出法、交叉验证等评估方法，以及针对回归与分类任务的不同性能度量指标。最后概述当前主流机器学习研究方向，包括善于
支撑现代AI的十种核心算法
人工智能的发展轨迹，归根结底是一段从统计学习走向深度表征学习的数学演化史。从最初的线性映射出发，到如今具备涌现特性的巨型模型底座，若干关键算法一步步搭建起现代AI的方法论骨架。若说聊天机器人、图像生成、多模态系统与智能体应用是地基之上的可见建筑，那么真正托举这些能力的，正是一组更基础、也更值得反复咀嚼的底层算法。为了把这条演进主线讲清楚，我们将十大底层算法划分为三个阶段：传统机器学习时期、深度学习的启蒙阶段，以及当代大模型时代。第一阶段打下了统计建模、分类与规则划分的根基；中间阶段实现了表征学习与可训练深
易知AI | 线性回归：医疗预测的利器
从探寻最佳直线到临床血压预测，揭开连续值预测的神秘面纱在易知AI|为何要懂AI的探讨中，我们提及了机器学习的核心能力——“预测”。那么在医疗健康场景下，当健康管理师需要估算“运动3小时能导致多少体重波动”，或者医生想预判“患者的血压会出现何种起伏”，应采用何种算法来实现精准估算呢？答案便是线性回归。作为机器学习中最基础且经典的算法，它是构建复杂预测模型的基石，凭借易懂且可解释的优势，成为医疗领域进行连续值预测的实用工具。在易知AI|未懂这两个模型，别称自己懂AI医疗：线性回归与逻辑回归全解析中已有涉及，本