一、任务目标

看见校园里的人脸解锁、借书推荐、兴趣分堆、游戏加分，分清它们更像哪种机器学习。

二、知识点短列表

• 普通程序像说明书：规则写死；机器学习像“看很多例子再总结”。
• 三件宝：数据（例子）、算法（怎么学）、算力（算得动）。
• 基本流程：定任务→准备数据→训练→测试再用。
• 有监督：有标签；无监督：无标签归堆；强化：试错+奖励；深度：多层提特征。
• 选型先问：有没有标准答案名？要不要自己发现组别？能不能乱试？是不是复杂感知？
• 训练用例子或奖励更新模型；测试用未参与训练的样本检查是否真会。
• 算力不够时算法也跑不动——小学项目优先选算得清、讲得明的小方法。

三、机器学习在说什么

机器学习不是“电脑变成人”，而是让计算机从数据或奖励信号里找到可复用的规律。刷脸、推荐、语音转写，表面都是“智能”，底层却可能走不同路径：有的先看大量带标签照片，有的只按相似归堆，有的靠得分高低改策略，有的用很多层网络抽边→部件→整体。

小学阶段要建立三件意识：第一，数据质量决定上限——标错了就会学错；第二，学完必须另拿题考——训练集上全对不等于测试集也好；第三，结果是建议，人决定能不能用。本课先认地图，下三课先学会用 Python 把例子写出来。

把校园例子对号入座：垃圾分可回收／厨余→有监督；兴趣小组不贴标签先分堆→无监督；游戏做对加分→强化；人脸／语音识别→常与深度有关。一张表记在笔记本：现象→有无标签→能否试错→更像哪一类。

再练一次对照：借书推荐若靠“过去借过什么书”的历史标签，更靠近有监督预测；若只把借阅记录按相似读者归堆、尚未命名组别，更靠近无监督；闯关游戏靠得分改走法，是强化；闸机摄像头认脸，常与深度感知有关。同一校园可以同时出现四种，所以必须先问任务，再谈技术名词。

本课不要求你写出训练代码，但要求你能向同桌用三句话讲清：机器学习靠什么学、学完怎么考、错了谁负责。答得出来，第一单元后半的 Python 与后面的函数才有落点。

四、易错提醒

• 别把“会推荐”一律叫深度学习——先问有没有标签、要不要试错。
• 别以为写死 「如果…那么…」 规则就不是机器学习入门——规则分类器是有监督的最小形态，后面再换字典模型。
• 别跳过测试：只在同一批数据上“全对”可能是背题。
• 迷你对照：「标签="水果"」 有监督；只按首字母归堆 无监督。

走查：任务“24 张已贴水果／蔬菜标签的卡自动分类”→有监督（每张有标准类别名）；任务“48 张只有兴趣词、无组别名的贴纸先分堆”→无监督（先发现组别）。

想一想：计步器若只按“是否达到 8000 步”提醒、并不在试错中改策略，它更像规则程序还是强化学习？写一句理由。

要点串讲：机器学习不是写死全部规则，而是从数据或奖励里学可用规律；三件宝是数据、算法、算力；流程是定任务→准备数据→训练→测试；四大类型用“有无标签、要否归堆、要否试错、是否复杂感知”分辨。本课过关标准：能指着校园现象说出更像哪一类，并能解释为什么测试不可省。课堂出口任务：指着图书馆刷脸、借书推荐、兴趣贴纸、闯关加分四张图，各用一句话对上类型，并指出哪一步属于“准备数据／训练／测试”。

五、操作步骤

六、本节小结

你现在能用“有无标签／要否归堆／要否试错／是否复杂感知”给校园智能现象选型，并口述定任务→准备数据→训练→测试四步。