Machine Learning：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.
一坐桩、什么是機器學習？（What）
上面的概念難免有些抽象封锉，要理解什么是機器學習绵跷，其實可以類比于人類的學習膘螟。假設一個場景：父母教三歲大的孩子認識什么是西瓜。首先父母要給孩子看西瓜抖坪，然后告訴孩子這個是西瓜萍鲸。這個過程抽象成下面這張流程圖：
孩子的學習過程是通過一些觀察，然后加上自我總結(jié)擦俐，就逐漸擁有了識別什么是西瓜的技能脊阴。
與之相類似，機器學習就是通過對數(shù)據(jù)的“學習”蚯瞧，從而擁有某些特定技能的過程嘿期。（那技能是什么呢？技能是某種表現(xiàn)的增進埋合，例如我通過天天練習投籃备徐，逐漸命中率達到一定水準，我就擁有了投籃技能甚颂。）
二蜜猾、為什么要使用機器學習？（Why）
對于不同的問題振诬，我們選擇機器學習的原因不同蹭睡，這些問題按照對于人類的難易來說，可以分為兩類：
1.很簡單的問題：
例如：識別手寫的數(shù)字是幾赶么，這對于人類來說是一個極易的問題肩豁，那為什么我們還要使用機器學習呢？因為通過機器學習的方式辫呻，我們可以讓機器來幫我們做這些“單調(diào)乏味”的工作清钥，讓機器掌握識別手寫數(shù)字的技能之后，我們就能讓他們幫我們來分揀信件放闺。如果把這項技能再進一步祟昭，讓機器掌握識別并理解地址信息，我們甚至可以用機器來分揀快遞怖侦。
2.很復雜的問題：
例如：根據(jù)用戶信息篡悟，給不同的用戶推薦不同的廣告。對于人類來說础钠，這幾乎是不可能的問題，因為不同的用戶有不同的特征叉谜，怎么從這些海量的特征中判斷每一個用戶的喜好是什么呢旗吁？并且用戶的喜好可能還在發(fā)生變化，舉個通俗一點的例子停局，比如某些用戶去年還喜歡吃西瓜很钓，今年就討厭西瓜了香府。因此，從海量的數(shù)據(jù)中去人為的總結(jié)規(guī)律有很大的局限性码倦，而使用機器學習的方式使得這類問題變得簡單企孩。
三、什么時候可以使用機器學習袁稽？（When）
1.存在某些隱含的模式（underlying pattern）可以被學習到勿璃。
舉一個反例：預測某個嬰兒下一次哭是奇數(shù)分鐘哭，還是偶數(shù)分鐘哭推汽。這幾乎是一個隨機事件补疑，所以不存在任何隱含的模式，因此也就不能使用機器學習的方式來解答歹撒。
2.不是很容易總結(jié)規(guī)律的問題莲组。
如果規(guī)律很容易總結(jié)，那當然就不用使用機器學習了暖夭，直接代碼實現(xiàn)即可锹杈。
3.有相關(guān)的數(shù)據(jù)。
舉一個反例：預測世界末日什么時候到來迈着。顯然竭望，因為我們沒有世界末日發(fā)生的相關(guān)數(shù)據(jù)，所以這個問題也無法用機器學習的方式來解答寥假。
四市框、機器學習的組成
上圖可以看作是整個機器學習過程的組成。
首先從我們的數(shù)據(jù)出發(fā)糕韧，它們的具體形式是x到y(tǒng)的映射枫振，比如我們的問題是預測某套房子的房價。那么我的X包括房子面積萤彩、房子樓層粪滤、是否是電梯房等等特征，Y就是房子的價格雀扶。正因為存在某種規(guī)律杖小，才使得我們獲得的數(shù)據(jù)按照訓練集的每一個x對應唯一一個y。我們用 f 來表示這個X到Y(jié)的映射關(guān)系(即隱含規(guī)律)愚墓。
那么如何去求得這個 f 呢予权？一般地，我們首先會把范圍擴大到一個假設集合（稱作 H ）浪册，比如我們假設房子價格與它的所有特征都是呈線性關(guān)系扫腺，那么這個假設集合就是一個線性假設集，那如何在這個無限大的假設集 H 中找到我們想要得到的 f 呢村象，那就需要通過機器學習演算法來實現(xiàn)笆环，我們用 A 表示這個算法攒至。
那這樣我們就能求得 f 了嗎？答案是否定的躁劣，因為很多時候由于數(shù)據(jù)噪聲等原因迫吐，我們無法獲得一個精確的 f ,而只能獲得某一個映射關(guān)系 g ，使得 g 最接近這個 f账忘，我們把這個 g 稱為最終預測志膀。
一般地，機器學習為了求得隱含的規(guī)律闪萄，在假設集合上通過演算法對訓練集進行“訓練”梧却，使求得的預測規(guī)律最接近隱含規(guī)律。
五败去、機器學習放航、數(shù)據(jù)挖掘、人工智能圆裕、統(tǒng)計學的關(guān)系
機器學習：
利用數(shù)據(jù)計算出一個近似隱含規(guī)律的預測規(guī)律广鳍。
數(shù)據(jù)挖掘：
利用海量的數(shù)據(jù)去尋找一些有意思的數(shù)據(jù)特征、規(guī)律吓妆。
機器學習與數(shù)據(jù)挖掘的關(guān)系：
如果數(shù)據(jù)挖掘的目標是去尋找數(shù)據(jù)間的隱含規(guī)律赊时，那么數(shù)據(jù)挖掘和機器學習做的事情是一樣的。但是傳統(tǒng)的數(shù)據(jù)挖掘總是著眼于大數(shù)據(jù)的高效計算行拢。（比如分布式計算框架）
人工智能：
讓計算機做(模擬)一些像人一樣的智能行為祖秒。
機器學習與人工智能的關(guān)系：
機器學習是實現(xiàn)人工智能的一種途徑，除此之外舟奠，還有一些其他的方式可以實現(xiàn)人工智能竭缝。
統(tǒng)計學：
利用數(shù)據(jù)對一些未知的過程做預測。
機器學習與統(tǒng)計學的關(guān)系：
統(tǒng)計學的很多知識都可以被借鑒到機器學習中沼瘫，但是機器學習中也有很多算法不是基于統(tǒng)計學的規(guī)律的抬纸。
