本教程为系列文章的第二部分，专为汽车开发人员系统梳理机器学习的理论基础与常用神经网络类型。您将掌握机器学习的核心概念、三种主流学习方法、深度学习如何重塑技术格局，以及多种经典算法的实际适用场景。所有内容均以通俗易懂的语言呈现，配合示意图与表格，助您快速建立清晰的知识体系。

一、机器学习基础：从数据到预测

机器学习可定义为一组基于历史数据进行预测的算法。

在机器学习算法中，输入数据被组织为数据点。每个数据点由描述对象属性的特征构成。例如，大小和速度是区分汽车与自行车的典型特征：汽车的尺寸和速度通常更高。机器学习方法的目标是将输入数据转化为有意义的输出，比如将输入分为“汽车”与“非汽车”两类。输入通常写作向量 x，由多个数据点组成；输出记为 y。

二维或三维输入数据可在特征空间中可视化，其中每个数据点 x 按其特征绘制。图 8（a）展示了区分汽车与非汽车的二维特征空间简化示例。

图 8. 基于大小和速度的汽车与非汽车分类：特征空间（a）及两类之间的分离边界（b）。

所谓的映射函数或模型 h_θ（x） 描述了特征向量间的差异（例如区分汽车与非汽车）。模型结构可从简单的线性函数（如图 8（a）中的分界线）延伸到复杂的非线性神经网络。学习方法的核心是确定系数值——这些 θ 参数代表模型从输入数据中获取的权重。映射函数的输出即算法对输入数据的预测。