机器学习
Machine Learning
学到 认得 就够：听到能明白
你可能会说
“我想用历年问卷训练一个分类工具，模型说的“学习”究竟是在学什么？”
机器学习让程序通过数据改善某类任务的表现，而不是把每一种情况都写成规则。训练后得到的模型，可对新资料预测、分类或生成内容。
使用 AI
科研里的例子
用人工标注的政策段落训练分类器，再让它识别未标注文件；“学到什么”要用独立人工样本检验。
学习过程通常先确定任务、数据表示与目标，再用算法寻找参数或结构。所谓学会，是在某个评价标准下表现改变，不必意味着形成了人的理解。对社科研究者而言，关键是区分解释训练样本与处理新样本：前者好看，后者仍可能失败。标签来源、样本划分和损失函数都会塑造学到的规律，模型也可能抓住调查方式等偶然线索。
判断
亲手检查一次
把同一文本随机打乱标签后再训练一个小分类器；比较训练与留出表现，体会拟合和有效学习的区别。
它做不到的
机器学习的预测关联不自动成为因果机制；模型拟合成功，也不等于样本代表了目标总体。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。