第12章：A Practical Approach to Machine Learning and Artificial Intelligence

书内页码：205–224

本章要解决的问题

如何为机器学习任务选择模型？神经网络是否总是最佳选择？机器学习能否改进软件自动化？

核心结论

模型复杂度应与问题和数据相匹配。线性模型和树模型可能比神经网络更易解释、更便于实施；复杂模型只有在增量效果足以覆盖成本与治理要求时才值得采用。

章节要点

• 区分 AI 与机器学习，并说明机器学习覆盖多种方法。
• 神经网络是机器学习的一类，而非同义词。
• 讨论不总用神经网络的理由，以及线性方法、决策树等替代选择。
• 从工具和解决方案框架走向第一个机器学习方案。
• 进一步讨论自动化机器生成软件、用机器学习改进简单软件逻辑，以及机器学习自身的自动化。

实践方法

明确目标和基线 → 选择简单可验证的模型 → 用合适数据训练和评估 → 检查误差及业务影响 → 部署监控并迭代。算法选择要兼顾性能、可解释性、维护成本和风险责任。

限定与联系

“自动化自动化”是章节的探索方向，不代表软件工程或模型治理可以无人负责。承接第6章项目流程和第11章方法总览。

**原文依据：**书内页 205–224。