★ FEATURED ARTICLE 本文收录于专栏 《经典机器学习实战》摘要从规则引擎的破产到机器学习的定义一趟走完 AI 七十年简史、负责任 AI 六原则与七步标准流程。你将看到 13 维特征让手写规则彻底失效而逻辑回归拿到 98.1%以及一个整体准确率 85% 的模型如何对少数组近乎抛硬币。关键字机器学习,scikit-learn,监督学习,过拟合,训练集测试集,公平性,数据清洗,模型评估阶段 1 · 导论 | 来源【原·01-04 合并】| 知识更新至 2026-10本课实战stage1/assets/stage1_demos.py【已实测】概念讲解1.1 机器学习是什么机器学习Machine Learning, ML是人工智能的一个子集用专门的算法从数据中发现隐藏模式并用这些模式辅助决策而不是由人显式编写规则。三个关键词从数据中原料是数据不是规则、发现模式模型是模式的载体、辅助决策产出是预测。本课程只讲经典机器学习回归、分类、聚类、NLP 传统方法、时间序列、强化学习入门主力工具是 Scikit-learn。深度学习和神经网络在本课程不覆盖。四个常被混用的术语一张表理清术语范围一句话AI人工智能最大让机器表现出智能行为的总目标包含规则系统ML机器学习AI 的子集用数据驱动的方式实现 AI不显式写规则深度学习ML 的子集用多层神经网络做 ML本课程不覆盖数据科学交叉学科用数据回答问题的整套实践ML 是其中一件工具对 ML 的能力边界保持清醒它不是万能的只在有数据、有规律、规律可学的问题上有效也不是调包跑个 fit就完事80% 的工作量在数据准备和评估。为什么不用规则引擎实测回答。iris 鸢尾花数据150 样本、4 维特征、3 类手写一条花瓣宽度 0.8 判 setosa、1.7 判 versicolor、否则 virginica的规则准确率 0.960 已经不错——但那是人脑先看了一遍数据分布才写出来的。换 wine 数据集178 瓶酒、13 个化学指标规则直接写不出来iris (4 维) 手写规则 0.960 逻辑回归 1.000 wine (13 维) 手写规则 不可行组合爆炸 逻辑回归 0.981规则引擎的死穴不在写得对不对而在维度一高就根本写不出来。1.2 简史算力、数据、算法三要素ML 的算法地基有两三百年历史贝叶斯定理1763、最小二乘1805、马尔可夫链1913、感知机1957、最近邻1967、反向传播1970、RNN1982。没有一个算法是大数据时代发明的——数据从来是新的算法常常是老的。学科史七十年起伏有清晰的规律1950图灵提出机器能思考吗1956达特茅斯会议正式提出人工智能1956-1974 黄金年代乐观主义高涨明斯基放话一代人内解决1974-1980 第一次寒冬算力不够、组合爆炸、数据匮乏、图灵测试被中文房间思想实验挑战1980s 专家系统第一批商业成功的 AI 软件规则引擎推理引擎1987-1993 第二次低谷专用硬件撞上 PC 崛起1993 至今数据和算力双爆炸ML 渗透生活每个角落。兴衰三要素浓缩成一条算力、数据、算法三齐则繁荣缺一个就寒冬。1956 年有算法思想但缺算力和数据2010s 后三要素齐备。这些两百年前的算法今天还活在工具库里各跑一行fromsklearn.naive_bayesimportGaussianNB# 1763 贝叶斯fromsklearn.linear_modelimportLinearRegression# 1805 最小二乘fromsklearn.neighborsimportKNeighborsClassifier# 1967 最近邻1763 贝叶斯 → iris 分类 accuracy 0.978 1967 最近邻 → iris 分类 accuracy 1.000 1805 最小二乘 → diabetes 回归 R² 0.477iris 上接近满分不是算法神是数据太简单3 类 4 维 150 样本diabetes 上 R²0.477 说明真实问题里 10 个生理指标只能解释不到一半的变异——真实世界的数据从来不像教科书这就是后续每课都要做数据清洗和可视化的原因。1.3 负责任 AI聚合指标掩盖的伤害ML 系统已经在做影响人生的决定医疗、贷款、欺诈识别错误直接落在具体的人身上。不公平unfairness分五类分配贷款/招聘对相似条件的人给不同推荐、服务质量洗手液机感应不到深肤色的手、贬损图像标注把深肤色人像标成大猩猩、过度/不足代表图片搜索程序员几乎不返回女性、刻板印象翻译系统给无性别职业名词自动带上他/她。共同点伤害很少是故意写进代码的——偏见来自数据数据的偏见来自社会。负责任 AI 六原则公平、可靠与安全、包容、隐私与安全、透明、问责。建模前先做影响评估有没有已知局限、数据合规性GDPR/HIPAA、伤害清单、逐条对照六原则。这套原则为什么要落地到工具看实测。构造 3000 人二分类数据多数组 A 占 90%特征清晰易学少数组 B 占 10%模式难分——模拟训练数据没覆盖少数群体整体 accuracy 0.850 多数组 A 0.891 少数组 B 0.478 差距 0.414 测试集 90 个 B 组成员47 个被错分错误率 52%只看整体 85% 像还行拆开看 B 组接近抛硬币。如果这是贷款审批等于 B 组超过一半的人被随机对待。聚合指标是遮羞布——报告性能时按关键群组拆分是底线动作。发现这类问题的工具错误分析、群组对比、数据分析、可解释性在第 21 课《用 RAI 仪表板调试模型》完整展开。1.4 标准流程七步闭环搭建 ML 系统的工作流拆成七步后续每一节项目课都按这个节拍走步骤做什么常见翻车点① 问问题把需求翻译成 ML 问题拿规则引擎能解决的问题硬上 ML② 收集与准备数据收集、清洗、可视化、划分占 80% 工作量新人最常低估③ 选择训练方法根据问题和数据选算法纠结最强算法而非最合适算法④ 训练model.fit(X, y)数据泄漏测试集混进训练⑤ 评估用没见过的数据测性能只看聚合指标1.3 节的教训⑥ 调参调超参数再跑一轮在测试集上调参 变相作弊⑦ 预测新数据上做推断训练/线上数据分布不一致第①步的判据能用规则干净利落地解决的问题不要用 MLML 的主场是高维、有数据、有规律的预测问题。数据阶段的铁律测试集是封印的只在第⑤步评估时打开。用 iris 把七步完整跑一遍问问题判断品种→ 备数据150×4三类均衡 50/50/50→ 选方法训练评估LR 和 KNN 都 1.000——iris 太简单真实项目里这步才见真差距→ 调参网格搜索 KNN 的 K最优 K15 折交叉验证 0.952→ 预测新样本[5.1, 3.5, 1.4, 0.2]→ setosa。七步每步都有产出物后面每个项目课都是这七步的放大版。小结ML 用算法从数据中发现模式替代手写规则规则在 13 维特征前破产逻辑回归 0.981。算法地基两三百年贝叶斯 1763、最小二乘 1805学科史七十年兴衰规律 算力数据算法三要素缺一即寒冬。负责任 AI聚合指标掩盖组间差距整体 0.85 掩盖 B 组 0.478五类伤害 六原则 建模前影响评估。标准流程七步闭环问问题→备数据→选方法→训练→评估→调参→预测测试集封印是铁律。下一站进入真实数据项目参见第 2 课《回归入门——环境、工具与数据准备》。扩展阅读原课 1-Introduction 四课本课概念基准https://github.com/microsoft/ML-For-Beginners/tree/main/1-IntroductionScikit-learn 官方用户指南https://scikit-learn.org/stable/user_guide.html维基百科机器学习时间线https://wikipedia.org/wiki/Timeline_of_machine_learning中文房间思想实验斯坦福哲学百科https://plato.stanford.edu/entries/chinese-room/Responsible AI Toolbox第 21 课主用工具https://github.com/microsoft/responsible-ai-toolbox系列导航上一篇本课程第一课下一篇第 02 课《回归入门——环境、工具与数据准备》更多专栏蛋白 / 抗体 / 多肽 / 核酸分子模拟 / 动力学 / 对接药物 / 设计 / 案例AI / Agent / 大模型开源蛋白结构预测分子模拟基础小分子药物设计案例AI Agent系列开源蛋白生成方法实践分子动力学模拟-Amber蛋白药物设计案例化学大模型开源多肽设计模型分子动力学模拟-Gromacs多肽药物设计案例《AI Agent原理与实战》开源多肽性质预测分子动力学模拟-OpenMM开源小分子生成设计CADD中的机器学习模型DNA/RNA药物设计結合自由能高效计算配置《MCP 入门实战》siRNA药物设计模型UCSF DOCK系列我胡师兄说药《AI入门实战2026》ASO药物设计模型rDock系列 LeDock系列 gnina系列《经典机器学习实战》
阅读完成 · 觉得有帮助？
