机器学习是一门能够让编程计算机从数据中学习的计算机科学。 一个计算机程序在完成任务T之后，获得经验E，其表现效果为P，如果任务T的性能表现，也就是用以衡量的P，随着E增加而增加，那么这样计算机程序就被称为机器学习系统。
简而言之：自我完善，自我增进，自我适应。
2、为什么需要机器学习
1>自动化的升级和维护
2>解决那些算法过于复杂甚至跟本就没有已知算法的问题
3>在机器学习的过程中协助人类获得对事物的洞见
3、机器学习的问题
1>建模问题： 所谓机器学习，在形式上可这样理解：在数据对象中通过统计或推理的方法，寻找一个接受特定输入X，并给出预期输出Y的功能函数f，即Y=f(X)。
2>评估问题： 针对已知的输入，函数给出的输出(预测值)与实际输出(目标值)之间存在一定的误差，因此需要构建一个评估体系，根据误差的大小判定函数的优劣。
3>优化问题 ：学习的核心在于改善性能，通过数据对算法的反复锤炼，不断提升函数预测的准确性，直至获得能够满足实际需求的最优解，这个过程就是机器学习。
4、机器学习的种类
监督学习、无监督学习、半监督学习、强化学习
1>有监督学习：用已知输出评估模型的性能。
2>无监督学习：在没有已知输出的情况下，仅仅根据输入信息的相关性，进行类别的划分。
3>半监督学习：先通过无监督学习划分类别，再根据人工标记通过有监督学习预测输出。
4>强化学习：通过对不同决策结果的奖励和惩罚，使机器学习系统在经过足够长时间的训练以后，越来越倾向于给出接近期望结果的输出。
批量学习和增量学习
1>批量学习：将学习的过程和应用的过程截然分开，用全部的训练数据训练模型，然后再在应用场景中实现预测，当预测结果不够理想时，重新回到学习过程，如此循环。
2>增量学习：将学习的过程和应用的过程统一起来，在应用的同时以增量的方式，不断学习新的内容，边训练边预测。
基于实例的学习和基于模型的学习
1>基于实例的学习：根据以往的经验，寻找与待预测输入最接近的样本，以其输出作为预测结果。-----概率论相关
2>基于模型的学习：根据以往的经验，建立用于联系输出和输入的某种数学模型，将待预测输入代入该模型，预测其结果。 输入 -> 输出 1 2 2 4 3 6 Y = 2 * X ... 9 ? -> 18 -------线性代数（数学公式）相关
5、机器学习的一般过程
1）数据处理：时间占比大，只有数据严格符合要求，模型精度才可能得到保障
1>数据收集 （数据检索、数据挖掘、爬虫）Hadoop storm hive
2>数据清洗 (随机数、插值、或直接扔掉)
2）机器学习
1>选择模型 （算法）
2>训练模型 （算法）
3>评估模型 （工具、框架、算法知识）
4>测试模型
3）业务运维
1>应用模型
2>维护模型
6、机器学习的典型应用
股价预测
推荐引擎
自然语言识别
语音识别
图像识别
人脸识别
7、机器学习的基本问题
1)回归问题：根据已知的输入和输出寻找某种性能最佳的模型，将未知输出的输入代入模型，得到连续的输出。
2)分类问题：根据已知的输入和输出寻找某种性能最佳的模型，将未知输出的输入代入模型，得到离散的输出。