机器学习
人工智能的一个子领域，研究如何使计算机系统从数据中自动学习和改进，无需显式编程
核心事实
时间轴 (近 90 天)
高级抽象层降低了机器学习的入门门槛，但没有降低做好这件事的天花板
机器学习是人工智能的一个分支，其核心思想是让计算机通过数据自动学习规律，而非依赖显式编程
初学者常见错误是在对底层数据处理和经典机器学习只有肤浅理解时就急于进入深度学习和大模型
推荐的AI自学路径遵循从基础层（Python、Pandas、NumPy）到核心层（机器学习算法与项目实践）再到进阶层（深度学习）的递进顺序
NumPy是科学计算的基石，提供高性能多维数组对象和数学工具，几乎所有机器学习框架底层都依赖NumPy的数组运算
Machine learning is typically divided into three major paradigms: supervised learning, unsupervised learning, and reinforcement learning.
深度学习是机器学习的一个子领域，核心是多层人工神经网络，思想最早可追溯至1940年代
机器学习分为监督学习、非监督学习和半监督学习三大类
全部知识事实 (8)
深度学习是机器学习的一个子领域，核心是多层人工神经网络，思想最早可追溯至1940年代
65%已验证机器学习分为监督学习、非监督学习和半监督学习三大类
65%待验证NumPy是科学计算的基石，提供高性能多维数组对象和数学工具，几乎所有机器学习框架底层都依赖NumPy的数组运算
90%待验证推荐的AI自学路径遵循从基础层（Python、Pandas、NumPy）到核心层（机器学习算法与项目实践）再到进阶层（深度学习）的递进顺序
85%待验证初学者常见错误是在对底层数据处理和经典机器学习只有肤浅理解时就急于进入深度学习和大模型
80%部分验证Machine learning is typically divided into three major paradigms: supervised learning, unsupervised learning, and reinforcement learning.
65%待验证高级抽象层降低了机器学习的入门门槛，但没有降低做好这件事的天花板
50%待验证机器学习是人工智能的一个分支，其核心思想是让计算机通过数据自动学习规律，而非依赖显式编程
50%