機器學習是人工智能的一個分支，它使計算機系統(tǒng)能夠從數(shù)據(jù)中學習并改善性能。

機器學習的核心在于使用算法解析數(shù)據(jù)，從中學習，然后對新數(shù)據(jù)做出預測或決策，這個過程與人類的學習過程相似，例如，人們通過獲取經驗來對新問題進行預測。機器學習算法通常建立在數(shù)學模型上，這些模型是基于一個包含多個樣本數(shù)據(jù)的訓練集進行訓練的，算法通過這些數(shù)據(jù)學習到數(shù)據(jù)之間的隱藏模式，從而對新的、未知的數(shù)據(jù)進行分類或預測。機器學習領域涉及概率論、統(tǒng)計學、計算機科學等多門學科，并廣泛應用于圖像識別、自然語言處理、推薦系統(tǒng)等多個領域。

機器學習是一門多領域交叉學科，涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。它是人工智能核心，是使計算機具有智能的根本途徑。

機器學習(ML)是計算機系統(tǒng)為了有效地執(zhí)行特定任務，不使用明確的指令，而依賴模式和推理使用的算法和統(tǒng)計模型的科學研究。它被視為人工智能的一個子集。機器學習算法構建一個基于樣本數(shù)據(jù)的數(shù)學模型，稱為“訓練數(shù)據(jù)”，以便在沒有明確編程來執(zhí)行任務的情況下進行預測或決策。[1][2]機器學習算法用于各種應用，例如電子郵件過濾和計算機視覺，在這些應用中，開發(fā)用于執(zhí)行任務的特定指令的算法是不可行的。機器學習與計算統(tǒng)計學密切相關，計算統(tǒng)計學側重于使用計算機進行預測。算法優(yōu)化的研究為機器學習領域提供了方法、理論和應用領域。數(shù)據(jù)挖掘是機器學習中的一個研究領域，側重于探索性數(shù)據(jù)分析到無監(jiān)督學習。[3][4]在跨業(yè)務問題的應用中，機器學習也被稱為預測分析。

機器學習這個名字由阿瑟·塞繆爾于1959年創(chuàng)造。[5]湯姆·米切爾(Tom m . Mitchell)為機器學習領域研究的算法提供了一個被廣泛引用的、更正式的定義:“一個計算機程序可以通過從經驗E中學習某些類型的任務T和性能度量P，如果它在T中的性能(用P來衡量)能用經驗E來改進。"[6]機器學習所涉及的任務的這個定義提供了一個基本的操作定義，而不是用認知術語來定義這個領域。這遵循了艾倫·圖靈在他的論文“計算機器和智能”中的提議，其中的問題是“機器能思考嗎?”被替換為“機器能做我們(作為思維實體)能做的事嗎?”[7]圖靈的提議，揭露出來思維機器 可能具有的特性和構建一個模型的各種含義。

機器學習任務分為幾大類。在監(jiān)督學習中，算法從包含輸入和期望輸出的一組數(shù)據(jù)中建立數(shù)學模型。例如，如果任務用于確定圖像是否包含某個對象，則監(jiān)督學習算法的訓練數(shù)據(jù)將包括帶有和沒有該對象的圖像(輸入)，并且每個圖像將具有一個標簽(輸出)，來指示其是否包含該對象。在特殊情況下，輸入可能僅部分可用，或者僅限于特殊反饋。半監(jiān)督學習算法根據(jù)不完整的訓練數(shù)據(jù)開發(fā)數(shù)學模型，其中一部分樣本輸入沒有標簽。

分類算法和回歸算法是監(jiān)督學習的類型。當輸出被限制在一組有限的值時，使用分類算法。對于過濾電子郵件的分類算法，輸入將是收到的電子郵件，輸出將是歸檔電子郵件的文件夾的名稱。對于識別垃圾郵件的算法，輸出將是“垃圾郵件”或“非垃圾郵件”的預測值，其由布爾值true和false表示?；貧w算法是以它們的連續(xù)輸出命名的，這意味著它們可以具有范圍內的任何值。連續(xù)值的例子是物體的溫度、長度或價格。

在無監(jiān)督學習中，算法從一組只包含輸入而不包含所需輸出標簽的數(shù)據(jù)中建立數(shù)學模型。無監(jiān)督學習算法用于尋找數(shù)據(jù)中的結構，如數(shù)據(jù)點的分組或聚類。無監(jiān)督學習可以發(fā)現(xiàn)數(shù)據(jù)中的模式，并可以將輸入按類別分組，就像在特征學習中一樣。降維是減少一組數(shù)據(jù)中“特征”或輸入的過程。

主動學習算法根據(jù)預算有限的一組輸入訪問所需的輸出(訓練標簽)，并優(yōu)化為其獲取訓練標簽的輸入選擇。當交互使用時，這些可以呈現(xiàn)給人類用戶進行標記。強化學習算法在動態(tài)環(huán)境中以正或負強化的形式給出反饋，并用于自動車輛或學習與人類對手玩游戲。[2]機器學習中的其他專門算法包括主題建模，其中計算機程序被賦予一組自然語言文檔，并找到涵蓋類似主題的其他文檔。機器學習算法可用于在密度估計問題中找到不可觀測的概率密度函數(shù)。元學習算法根據(jù)以前的經驗學習自己的歸納偏差。在發(fā)展機器人學中，機器人學習算法生成自己的學習體驗序列，也稱為課程，通過自我引導的探索和與人類的社會互動積累獲得新技能。這些機器人使用主動學習、成熟、運動協(xié)同和模仿等引導機制。

2 歷史和與其他領域的關系編輯阿瑟·塞繆爾，計算機游戲和人工智能領域的美國先驅，1959年在IBM 中創(chuàng)造了術語“機器學習”[8]。作為一項科學事業(yè)，機器學習源于對人工智能的追求。早在人工智能作為一門學科的早期，一些研究人員就對讓機器從數(shù)據(jù)中學習感興趣。他們試圖用各種符號方法以及后來被稱為“神經網絡”的方法來解決這個問題;這些模型主要是感知器，和后來被發(fā)現(xiàn)是統(tǒng)計學的廣義線性模型的重新發(fā)明的其他模型。[9]概率推理也被使用，特別是在自動醫(yī)療診斷。[10]

然而，對邏輯的、基于知識的方法的日益強調導致了人工智能和機器學習之間的裂痕。概率系統(tǒng)受到數(shù)據(jù)獲取和表示的理論和實踐問題的困擾。[10]到1980年，專家系統(tǒng)已經主導了人工智能，統(tǒng)計數(shù)據(jù)不受歡迎。[11]符號/基于知識的學習的工作確實在人工智能中繼續(xù)進行，導致了歸納邏輯編程，但是現(xiàn)在更多的統(tǒng)計研究在模式識別和信息檢索中，已經超出了人工智能本身的范圍。[10]人工智能和計算機科學幾乎同時放棄了神經網絡研究。來自其他學科的研究人員，包括霍普菲爾德、魯梅爾哈特和辛頓，也在人工智能/計算機科學領域之外延續(xù)了這一路線，稱為“連接主義”。他們的主要成功是在20世紀80年代中期，重新發(fā)明了反向傳播。[10]

機器學習作為一個被重組的獨立的領域，在20世紀90年代開始蓬勃發(fā)展。該領域將其目標從實現(xiàn)人工智能轉變?yōu)榻鉀Q實際問題。它將注意力從人工智能繼承的符號方法轉移到從統(tǒng)計學和概率論中借用的方法和模型上。[11]它還受益于數(shù)字化信息日益增多的可用性以及通過互聯(lián)網分發(fā)信息的能力。

機器學習就是對計算機一部分數(shù)據(jù)進行學習，然后對另外一些數(shù)據(jù)進行預測與判斷。

機器學習的核心是“使用算法解析數(shù)據(jù)，從中學習，然后對新數(shù)據(jù)做出決定或預測”。也就是說計算機利用以獲取的數(shù)據(jù)得出某一模型，然后利用此模型進行預測的一種方法，這個過程跟人的學習過程有些類似，比如人獲取一定的經驗，可以對新問題進行預測。

我們舉個例子，我們都知道支付寶春節(jié)的“集五?！被顒?，我們用手機掃“?！弊终掌R別福字，這個就是用了機器學習的方法。我們可以為計算機提供“?！弊值恼掌瑪?shù)據(jù)，通過算法模型機型訓練，系統(tǒng)不斷更新學習，然后輸入一張新的福字照片，機器自動識別這張照片上是否有福字。

機器學習是一門多領域交叉學科，涉及概率論、統(tǒng)計學、計算機科學等多門學科。機器學習的概念就是通過輸入海量訓練數(shù)據(jù)對模型進行訓練，使模型掌握數(shù)據(jù)所蘊含的潛在規(guī)律，進而對新輸入的數(shù)據(jù)進行準確的分類或預測。

監(jiān)督學習就是訓練機器學習的模型的訓練樣本數(shù)據(jù)有對應的目標值，監(jiān)督學習就是通過對數(shù)據(jù)樣本因子和已知的結果建立聯(lián)系，提取特征值和映射關系，通過已知的結果，已知數(shù)據(jù)樣本不斷的學習和訓練，對新的數(shù)據(jù)進行結果的預測。

監(jiān)督學習通常用在分類和回歸。比如手機識別垃圾短信，電子郵箱識別垃圾郵件，都是通過對一些歷史短信、歷史郵件做垃圾分類的標記，對這些帶有標記的數(shù)據(jù)進行模型訓練，然后獲取到新的短信或是新的郵件時，進行模型匹配，來識別此郵件是或是不是，這就是監(jiān)督學習下分類的預測。

再舉一個回歸的例子，比如我們要預測公司凈利潤的數(shù)據(jù)，我們可以通過歷史上公司利潤(目標值)，以及跟利潤相關的指標，比如營業(yè)收入、資產負債情況、管理費用等數(shù)據(jù)，通過回歸的方式我們回到的一個回歸方程，建立公司利潤與相關因此的方程式，通過輸入因子數(shù)據(jù)，來預測公司利潤。

監(jiān)督學習難點是獲取具有目標值的樣本數(shù)據(jù)成本較高，成本高的原因在于這些訓練集的要依賴人工標注工作。