一、什么是机器学习？
先来看一则开场白： 
看完这段话，可以发现这里涉及了很多基于“经验”而做出的判断。换句话说就是：通过对经验的利用，就能对新的情况做出有效的决策。
**
机器学习定义是什么呢：
**笔者摘录了两则，大家批评接受
—>①：机器学习它致力于研究如何通过计算手段，利用“经验”来改善系统自身的性能。计算机里“经验”通常以“数据”形式存在，因此机器学习所研究的主要内容，是关于计算机上从数据中产生“模型”的算法（也叫“学习算法”）。有了学习算法，我们把经验数据输入，计算机就能基于已有数据建立模型。当面临新情况（新数据）时，模型会给我们提供相应的判断。简短来说，机器学习是研究关于“学习算法”的学问。（摘录周志华《机器学习》）
—>②：机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或预测。（摘录吴岸城《神经网络与深度学习》）
—> 笔者小注：两则定义选取角度不同，各从内涵外延出发进行阐述。机器学习主体研究还是各种算法，通过算法对新数据进行预测，同时也包含数据模型的建立与分析。
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–
依据机器学习的方式分类
先了解一下会用到的基本术语：
- 学习：从数据中学得模型的过程，也叫训练
- 训练集：训练过程使用的数据叫训练数据，单独一条数据叫训练样本，训练样本全体组成训练集
- 学习器：就是依照部分数据建立的模型
泛化能力：学得模型适用于新样本的能力
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—--
依照预测值是离散的、连续值的划分：
1、预测值是：离散值–—-—-这类学习任务称为“分类”。
“二分类”任务，通常称其中一个为“正类”，另一个为“反类”
2、预测值是：连续值–—-—-这类学习任务称为“回归”。
3、将训练集分成若干个组，每个组称为一个簇，这种方法叫“聚类”
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—--
依照训练数据是否拥有标记信息的划分：监督学习：数据有表征项，得到的模型预测结果能与原数据中表征项进行比较。例如：我们通过训练样本中西瓜的外形、纹理，以及对应每个瓜是好瓜还是坏瓜（好/坏瓜就是表征项）建立模型，再用检验样本去验证，得到的检验样本的预测结果与检验样本表征项进行比较，就可以看出模型预测的准确性（学习器的学习能力）。代表有分类、回归等。
无监督学习：数据没有表征项，也就是没有人为标定好的训练数据，没有告诉模型中哪些数据是正确的，哪些是错误的。需要学习模型推断出数据的内在结构。例如在苹果香蕉混合的果篮中，机器依照不同特征将这两种水果分开。代表有关联规则的学习、聚类。常用算法有Apriori算法，K-Means算法等。
强化学习（RL）：强化学习其实就是一个连续决策的过程。传统的机器学习中的监督学习是给定一些表征项，学习一个好的函数，对未知数据能做出很好的决策。但是有些时候，我们不知道表征项是什么，不知道好坏怎么区分，所以RL不是给定表征，而是给出一个回报函数，回报函数决定当前状态得到什么样的结果。虽然这个过程有点像监督学习，区别在于表征项不是预先准备的，而是通过一个个的学习过程来回调整机器学习到的“表征项”
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–
二、机器学习与数据建模、分析的区别
机器学习算是人工智能研究的一个分支，而人工智能又包含在当今大数据热潮中，所以机器学习与数据建模、数据分析有相似重叠，但在以下两点还是相差颇大。
1、数据输入量：数据建模、数据分析针对于可见量数据，在这些可见量数据上进行后续的分析，而机器学习的数据输入量相当庞大。打个比方就是，机器学习的数据量是一片大海，而数据建模、数据分析的数据量就犹如一滩海浪。我们能遇见一滩又一滩的海浪成型并轻抚海岸，却始终见不了大海的全貌。
2、研究目的：数据建模、数据分析致力于找寻合适的模型，依照模型给出最优。而机器学习重视的是，随着各种数据的输入，这些数据呈现的状态各是如何，再依照数据状态给出合理预测。
来源：CSDN
作者：zzZ_CMing
链接：https://blog.csdn.net/zzZ_CMing/article/details/78710090