本文永久链接 – https://tonybai.com/2024/06/10/go-and-nn-part2-linear-regression 离发表上一篇与机器学习相关的文章《Go与神经网络：张量运算》已经过去整整一年了，AI领域，特别是大模型领域的热度不仅未有减弱，反而愈演愈烈。整个行业变得更卷，竞争更加激烈，大模型你方唱罢我登场，层出不穷，各自能力也都在不断提升，并在自然语言处理、问答、生成等方面展现出强大的能力。同时基于RAG(Retrieval-Augmented Generation)等技术，大模型还可以实时检索相关知识并融合到生成结果中，进一步提升了大模型在专业领域的应用价值。 很多人说用好大模型不必非要了解大模型的底层原理，也许这句话是对的。但对于后端程序员的我来说，对底层原理的不理解，始终让我有一种“不安全感”。我认为即使大模型的使用变得日益简单和广泛，但如果我们无法深入理解其工作机制，恐怕还是难以充分发挥它们的潜力，甚至无法准确评估它们的局限性和风险。 但对大模型原理的学习是一个循序渐进的学习过程，我们不能一蹴而就地达到对大模型原理的深入理解。我决定从最基础的机器学习入手，从传统机器学习解决问题的一般步骤开始，以线性回归这个传统传统机器学习的”Hello, World”示例为切入点，逐步探讨机器学习的基本概念和实现流程，这也是本篇文章的初衷与主要内容。 1. 机器学习的那些事儿 1.1 人工智能的诞生 相对于机器学习（Machine Learning，ML），普通大众更熟悉“人工智能（Artificial Intelligence，AI）”这个字眼儿。 就像一千个人眼中有一千个哈姆雷特，每个人对人工智能的理解都不尽相同：有些人将其看成一个学术领域，有些人视之为人类文明下一个要实现的目标，懵懂无知的少年会将其想象为那种高大威猛的机器人（其实是隶属于具身...