簡單的一句話：讓機(jī)器從數(shù)據(jù)中學(xué)習(xí)，進(jìn)而得到一個(gè)更加符合現(xiàn)實(shí)規(guī)律的模型，通過對模型的使用使得機(jī)器比以往表現(xiàn)的更好，這就是機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的一種途徑，它和數(shù)據(jù)挖掘有一定的相似性，也是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、計(jì)算復(fù)雜性理論等多門學(xué)科。對比于數(shù)據(jù)挖掘從大數(shù)據(jù)之間找相互特性而言，機(jī)器學(xué)習(xí)更加注重算法的設(shè)計(jì)，讓計(jì)算機(jī)能夠白動地從數(shù)據(jù)中“學(xué)習(xí)”規(guī)律，并利用規(guī)律對未知數(shù)據(jù)進(jìn)行預(yù)測。因?yàn)閷W(xué)習(xí)算法涉及了大量的統(tǒng)計(jì)學(xué)理論，與統(tǒng)計(jì)推斷聯(lián)系尤為緊密，所以也被稱為統(tǒng)計(jì)學(xué)習(xí)方法。

機(jī)器學(xué)習(xí)可以分為以下五個(gè)大類：

(1)監(jiān)督學(xué)習(xí)：從給定的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)出-一個(gè)函數(shù)，當(dāng)新的數(shù)據(jù)到來時(shí)，可以根據(jù)這個(gè)函數(shù)預(yù)測結(jié)果。監(jiān)督學(xué)習(xí)的訓(xùn)練集要求是輸人和輸出，也可以說是特征和目標(biāo)。訓(xùn)練集中的目標(biāo)是由人標(biāo)注的。常見的監(jiān)督學(xué)習(xí)算法包括回歸與分類。
(2)無監(jiān)督學(xué)習(xí)：無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)相比，訓(xùn)練集沒有人為標(biāo)注的結(jié)果。常見的無監(jiān)督學(xué)習(xí)算法有聚類等。
(3)半監(jiān)督學(xué)習(xí)：這是一”種介于監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)之間的方法。
(4)遷移學(xué)習(xí)：將已經(jīng)訓(xùn)練好的模型參數(shù)遷移到新的模型來幫助新模型訓(xùn)練數(shù)據(jù)集。
(5)增強(qiáng)學(xué)習(xí)：通過觀察周圍環(huán)境來學(xué)習(xí)。每個(gè)動作都會對環(huán)境有所影響，學(xué)習(xí)對象根據(jù)觀察到的周圍環(huán)境的反饋來做出判斷。

傳統(tǒng)的機(jī)器學(xué)習(xí)算法有以下幾種：線性回歸模型、logistic回歸模型、k-臨近算法、決策樹、隨機(jī)森林、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、EM算法、概率圖模型等。

一句話說明機(jī)器學(xué)習(xí)（MachineLearning）

簡單的一句話：讓機(jī)器從數(shù)據(jù)中學(xué)習(xí)，進(jìn)而得到一個(gè)更加符合現(xiàn)實(shí)規(guī)律的模型，通過對模型的使用使得機(jī)器比以往表現(xiàn)的更好，這就是機(jī)器學(xué)習(xí)。

詳解
數(shù)據(jù)：從現(xiàn)實(shí)生活抽象出來的一些事物或者規(guī)律的特征進(jìn)行數(shù)字化得到。

學(xué)習(xí)：在數(shù)據(jù)的基礎(chǔ)上讓機(jī)器重復(fù)執(zhí)行一套特定的步驟（學(xué)習(xí)算法）進(jìn)行事物特征的萃取，得到一個(gè)更加逼近于現(xiàn)實(shí)的描述（這個(gè)描述是一個(gè)模型它的本身可能就是一個(gè)函數(shù)）。我們把大概能夠描述現(xiàn)實(shí)的這個(gè)函數(shù)稱作我們學(xué)到的模型。

Machine -> ML -> better

更好：我們通過對模型的使用就能更好的解釋世界，解決與模型相關(guān)的問題。