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)
传统机器学习与AI系统的构建默认每个输入对应一个确定的标准答案（ground truth）
大型语言模型可以将自然语言描述的车手反馈与结构化遥测数据对齐，机器学习算法能在高维参数空间中识别人类不易察觉的模式
电商平台的猜你喜欢、音乐软件的每日歌单、社交媒体的信息流排序背后都是与推荐系统同类的机器学习技术
Netflix的首页影片列表由机器学习模型根据用户的观看历史、评分行为和观看时长等数据计算得出
在博士申请中，顶会录用通知的分量远超一般高校或期刊发表，是衡量申请者研究能力的重要信号
独立一作论文和团队协作论文的含金量和产出速度完全不同，独立工作产出慢但成长扎实
ML顶级博士项目的竞争已进入白热化状态，录取档案存在通货膨胀现象
拒稿是ML研究的常态，而非能力不足的证明，大量优秀工作在第一轮被拒后经过修改最终发表
ML领域长期以会议论文而非期刊论文作为学术评价的主要标准，这与物理、数学等传统学科以期刊为核心的评价体系形成鲜明对比
在没有已接收顶会论文的情况下，冲击最顶尖的几个博士项目胜算有限，但对较强但非最顶尖的项目仍有竞争力
还有 40 条时间轴事件
全部知识事实 (20)
机器学习分为监督学习、非监督学习和半监督学习三大类
80%已验证模型校准（calibration）在统计学中定义为：若模型声称某答案有70%置信度，则大量此类声明中实际正确的比例应接近70%
75%已验证入门级AI岗位面试通常聚焦机器学习基础、手写代码、数据处理等基本功，而非要求复现最新论文
75%已验证AI 编程工具正呈现从「快速生成」走向「深思熟虑」的演进趋势
75%已验证训练数据的质量和多样性直接影响模型输出可靠性，包含大量低质量、矛盾或虚假信息的训练数据可能导致模型学习到错误模式
70%已验证当输入约束减少时，机器学习模型会更多地依赖其先验分布，即训练过程中形成的关于某个概念的默认理解
70%已验证机器学习方法已在材料科学、蛋白质结构预测、气候建模等领域展现出加速研究的能力
65%已验证人工智能作为学科概念已存在数十年，涵盖机器学习、计算机视觉、强化学习、符号推理等广阔领域
65%已验证塞缪尔在1959年发表的论文中首次使用了machine learning这一术语，并将其定义为让计算机在没有被明确编程的情况下获得学习能力的研究领域
65%已验证机器学习入门的可行路径为：数学补强、经典算法入门（线性回归、逻辑回归、决策树）、掌握深度学习框架、项目实战
65%已验证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%已验证入门机器学习时应采取直觉先行、数学随后的"自顶向下"学习路径，而非先系统学完线性代数和概率论
65%已验证对机器学习而言，需要的是概念理解与几何直觉，而非熟练的手算能力
65%已验证研究型机器学习需要线性代数、概率统计和最优化理论作为数学基础
65%已验证机器学习的代表算法包括支持向量机（SVM）、决策树和朴素贝叶斯
65%已验证机器学习系统通过对大量数据的训练自动发现规律并在新数据上进行泛化预测
65%已验证研究表明超过60%的机器学习论文结果难以被独立复现
65%已验证人工智能、机器学习、深度学习之间存在递进包含关系：人工智能 > 机器学习 > 深度学习
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%