什么是机器学习：
机器学习简单理解就是通过分析大量数据来进行学习或根据一系列在数据集上进行训练的算法来做出预测分类。比如我们识别一只小老虎，可以通过把一些小老虎的图片丢给模型进行训练，从而归纳和识别一定的特征，然后把新的图片输入，就会识别出是否是小老虎。根据给定任务的不同，用到的技术也不同：朴素贝叶斯、支持向量机、神经网络、ensembles、关联规则、决策树、逻辑回归或多种方法之间的结合，在后面的课程我们都会讲到。
机器学习中的学习：
机器学习中的学习一词表示算法依赖于一些数据（被用作训练集），来调整模型或算法的参数。这包含了许多的技术，比如回归、朴素贝叶斯或监督聚类。但不是所有的技术都适合机器学习。例如有一种统计和数据科学技术就不适合——无监督聚类，该技术是在没有任何先验知识或训练集的情况下检测 簇 和 簇 结构，从而帮助分类算法。这种情况需要人来标记 簇。一些技术是混合的，比如半监督分类。一些模式检测或密度评估技术适合机器学习。
总结：
机器学习就是根据提供的训练集的数据，通过模型算法训练，学习到一种能力，可以是分类，也可以是预测或者别的，之后再输入新的数据时，则会根据已经学习到的特征或者是知识来给出结果。
分享到:
閱讀更多 5分鐘機器學習 的文章
