機器學習（Machine Learning），顧名思義，就是讓機器去進行學習，學習完成後，就可以去解決新的問題。
那麼問題來了，機器從什麼地方進行學習？機器如何進行學習？機器學習到了什麼？
總的來說，機器學習就是藉助機器學習算法（Machine Learning Algorithm），從訓練數據集（training set）中，學得預測函數（hypothesis），有了預測函數後，我們就可以將新的問題抽象為變量X，代入預測函數，就可以得到預測的結果Y，如下圖所示：
下面通過一個簡單的例子，來說明機器學習整個的一個過程，當然這是一個簡化的過程。
【房價預測案例】
假如我們現在有一套房子（180平）要出售，但是不知道賣多少錢合適，想借助機器學習來幫我們預測一下。
Training Set
機器要進行學習，就要有訓練數據集（training set）。對於房價預測案例，training set就是已經成交房屋的價格信息，這些信息是比較抽象的，機器可能看不懂，比如三室兩廳兩衛、交通便利、人車分流、自帶小學等等，因此需要我們對這些數據進行提取，整理為機器可以看懂的數據。假如我們整理出如下的數據：
可以看到，影響房價的因素有很多很多，實際的房價預測中，這些因素都需要考慮進去，這樣預測出來的房價才比較準確。為了方便大家理解，我們這裡只關注一個因素：房屋面積，同時只保留序號1/2/3/4的數據（屬於同一個小區）。簡化的training set如下表
Machine Learning Algorithm
有了training set，就可以利用machine learning algorithm進行學習。由於我們的房價（y）只受房屋面積（x）影響，因此machine learning algorithm會學得一個線性函數（作為入門，大家可以忽略為什麼算法認為這是一個線性函數）：
hθ(x) = θ0+ θ1 * x
我們只要解出上面函數中的θ0和 θ1，就能得到我們想要的hypothesis function了。
要解出θ0和 θ1，就需要用到前面的training set。
我們首先將training set中的數據，在座標系中列出來：
通過計算，我們可以得到θ0=2.22， θ1=1.43；因此，我們的hypothesis function為：
hθ(x) = 2.22+ 1.43 * x
有了hypothesis function，我們就可以預測我們的房子（180平）可以賣多少錢了
hθ(180) = 2.22+ 1.43 * 180 = 259.62 (w)
在上面的例子中，我們只有一個變量x（實際中，這個變量被稱為feature，下文使用feature），因此使用一元一次函數作為hypothesis function就可以比較好的進行預測。但是在實際的房價預測中，提取出的feature可能有很多個：x1,x2,x3 .... xn，面對這麼多的features，機器學習怎麼知道hypothesis function的格式呢？
在臺灣國立大學林田軒老師的機器學習課程中，是這樣描述機器學習流程的：
1：我們有一堆的訓練數據集，稱為training examples
2：在這堆training examples中，存在一個target function，這個target function是一個完美的函數，即training example中所有的數據都滿足這個函數，我們稱這個target function為f，但是很不幸，這個f是什麼，我們並不知道。
3：雖然我們不知道f長什麼樣，但是我們可以找一個hypothesis function（稱之為g），其中g與f近似相等
4：我們事先已經有一堆的hypothesis function，稱為hypothesis set
5：機器學習算法，就是要基於training example，從hypothesis set中選擇一個hypothesis function，作為final hypothesis（即g）
流程如下圖：
根據林老師的理解，機器學習算法訓練的過程，就是從hypothesis set中，挑選最合適的hypothesis function。
通過上面的講解，我們已經大概知道機器學習工作的流程，接下來我們就可以開發機器學習之旅了，不過在開始之前，讓我們先問自己幾個問題：
1：training set如何得到？
巧婦難為無米之炊，作為練習，我們可以自己構造一些數據，但是實際應用中，該如何得到真實的數據？
當前很多公司，比如阿里、騰訊、Google....都有很多很多的數據，這些數據應該都是商業機密吧。不過在一些機器學習競賽平臺中，會有很多的數據供大家使用，留意一下，你會找到很多。
當然對於初學者來說，重要的是學習機器學習的算法，數據相對來說倒沒那麼重要。
2：hypothesis set如何得到？
這個問題，筆者當前理解也不夠深入。不過在學習機器學習算法過程中，我們就會接觸到一些可用的hypothesis function
3：機器學習如何從hypothesis set中挑選hypothesis function？或者，我們如何知道我們挑選的hypothesis function是最優的呢？
這個問題就比較複雜了，接下來的章節，我們會簡單的介紹下，機器學習算法如何保證找到的hypothesis function是比較好的。
閱讀更多 機器愛學習 的文章
