传统编程与机器学习
学习者将对比基于规则的编程与数据驱动的学习，理解为什么机器学习在模式识别任务上优于手工编码的逻辑。
传统编程与机器学习 是 CoddyKit 上的免费 Machine Learning Academy 课时。 这是第 1 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Machine Learning Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Machine Learning Academy 课程共包含 4 节课。
什么是传统编程？
在 **传统编程** 中，所有规则都由你手动编写，计算机则会严格遵循这些规则执行。当规则清晰明确时，这种方式非常有效——但面对复杂混乱的问题时，它就变得束手无策了。
规则系统的局限
基于规则的垃圾邮件过滤器本质上只是一长串 if 语句。问题是？垃圾邮件发送者会不断变通，例如用 fr33 替代 free，而你的规则就需要没完没了地更新。
# Traditional rules-based spam filter
def is_spam_traditional(email_text):
spam_words = ['free', 'winner', 'click here', 'buy now']
for word in spam_words:
if word in email_text.lower():
return True
return False
print(is_spam_traditional('You are a WINNER! Click here for free stuff'))
# Output: True
print(is_spam_traditional('fr33 stuff for you!'))
# Output: False -- fails on obfuscated spam机器学习如何颠覆范式
机器学习颠覆了范式：不再是编写规则，而是向模型提供大量带有正确答案的示例，让它自行学习规则。
# The ML paradigm shift
# Traditional: Input + Rules -> Output
# ML: Input + Output -> Rules (learned automatically)
# Pseudocode conceptual example
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer
emails = ['Free money now', 'Meeting at 3pm', 'Win a prize', 'Project update']
labels = [1, 0, 1, 0] # 1=spam, 0=not spam
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(emails)
model = MultinomialNB()
model.fit(X, labels) # model learns the rules from data数据：智能新源泉
机器学习的“燃料”是标注数据——即那些你已知道正确答案的示例。你拥有的优质数据越多，模型就能学到越多东西。
传统编程依然胜出
机器学习并非总是最佳方案。当规则清晰稳定、数据量非常少、或者你需要完全可预测的行为时，请坚持使用传统编程。
模式识别：ML 大放异彩
机器学习在模式识别方面大放异彩——例如识别照片中的猫、标记欺诈行为、识别语音等。这些模式过于微妙，无法通过人工方式明确定义。
学习过程简介
从根本上讲，模型通过最小化误差来学习：它先做出预测，然后评估其错误程度，并据此进行调整——这就像你每次投掷飞镖后修正准头一样。🎯
# Conceptual training loop
import numpy as np
# Simulate a simple learning process
learning_rate = 0.1
weight = 0.0 # start with a random guess
for epoch in range(10):
prediction = weight * 2.0
target = 5.0
error = target - prediction
weight += learning_rate * error # adjust based on error
print(f'Epoch {epoch+1}: weight={weight:.3f}, error={error:.3f}')核心术语：模型、训练、推理
你会经常用到这三个词：模型 (model) 将输入映射到输出，训练 (training) 通过示例让模型学习，而 推理 (inference) 则是将模型应用于新数据。
泛化：真正的目标
机器学习真正的目标是泛化能力——在从未见过的新数据上表现良好，而不仅仅是死记硬背训练集。这就是为什么我们总是需要使用全新的数据进行测试。
具体对比：直观呈现
预测房价？传统代码依赖人类猜测的公式。而机器学习模型则直接从真实销售数据中学习正确的权重。
# Traditional: hand-coded formula
def price_traditional(bedrooms, bathrooms, sqft):
return 100000 + bedrooms * 50000 + bathrooms * 30000 + sqft * 150
# ML: coefficients learned from data
from sklearn.linear_model import LinearRegression
import numpy as np
# Training data (bedrooms, bathrooms, sqft)
X_train = np.array([[3, 2, 1500], [4, 3, 2000], [2, 1, 900]])
y_train = np.array([300000, 450000, 180000])
model = LinearRegression()
model.fit(X_train, y_train) # learns coefficients from data
print('Learned coefficients:', model.coef_)为什么机器学习正在重塑各行各业
机器学习之所以迎来爆发式增长，是因为三者的结合：海量的数据、廉价且强大的硬件（GPU），以及让每个人都能触及的免费开源工具。
快速检测
通过本节课学习的 Python 概念，检验一下你对机器学习的理解吧。
课程总结
开局不错！传统代码遵循手写规则，机器学习从带标签的数据中学习规则，其真正的目标是泛化而非死记硬背。接下来将学习：机器学习的类型。
常见问题解答
「传统编程与机器学习」课时是免费的吗？
是的 — 「传统编程与机器学习」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Machine Learning Academy 课程的其余内容，请升级到 CoddyKit PRO。 Machine Learning Academy 课程共包含 4 节课。
「传统编程与机器学习」这节课中我会学到什么？
学习者将对比基于规则的编程与数据驱动的学习，理解为什么机器学习在模式识别任务上优于手工编码的逻辑。 你通过在浏览器中直接运行的动手代码来练习 Machine Learning Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Machine Learning Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Machine Learning Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 1 节课，共 4 节。
「传统编程与机器学习」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Machine Learning Academy 课中编写并运行代码吗？
能。每节 Machine Learning Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。