小石看世界
作為從業4年的IT工作者來說，我大概的描述下機器學習。
1. 機器學習是讓機器從數據中學習到某種分佈，然後應用該分佈來預測新的數據；
2. 這種分佈可以是符合某種條件概率（樸素貝葉斯分類器），也可以是二叉樹（樹分類器），也可以是圖結構（HMM和CRF等）；
3. 當然有的算法對訓練數據需要假設，意思是假定數據符合某種要求：比如樸素貝葉斯分類器就要求訓練數據間相互獨立，但是大部分實際的應用中，這種假設基本不成立，此時就會衍生其他的方法，比如貝葉斯網絡。像KNN這種純基於距離的算法，是對數據不做假設的。
4. 在大部分機器學習算法中，其實效果差別不是很大，最花時間和考驗從業者的是對數據的處理能力。比如，特徵的構建（深度學習就不用考慮該問題）；缺失數據的處理（實際中的數據有很多是缺失的，怎麼處理這些缺失值是很重要的）；類別的不平衡問題（有些場景類別是嚴重不平衡的，比如訓練一個判斷短信詐騙的分類器，此時是詐騙的數據會特別稀少）；
5. 一句話總結：分析數據、處理數據、選擇特徵、選擇算法。
一個IT從業者
其實想通俗的解釋機器學習還是有難度的。 因為學習這個行業的人會感覺講的不到位，但是外行的人可能還會覺得很不好理解。我從個人的理解來試著回答一下。
1. Pedro Domingos是美國華盛頓大學的教授，我以前在讀書的時候都讀過他的關於概率樹算法的論文，他最近寫了一本關於機器學習的科普書，就是為了讓大眾能夠不通過公式來理解機器學習。 書的名字是《The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World》, 非常炫酷的名字，是人們關心的“終極學習機器”會如何改變我們的生活。
2. 跟網上的帖子一樣，書中講的多是機器學習的應用，並有什麼新的發明。尤其是機器學習在各個領域的應用，極大的改變了人類的生活，讓技術升級，我們做到了許多以前無法想象的水平。但是關於算法本身，的確是一個難點，在於對機器學習的深入理解要建立在數學的基礎上。 我們假設您是懂得一些高等數學的。
3. 科學的主要目的就是建立數學模型來描述自然界的關係。這種關係可以用一個函數y=f(x)來描述。 給定了輸入x, 我們通過關係f()就可以得到輸出y. 但是自然很複雜，很多的時候，我們不知道這種關係是什麼，但是我們有很多輸入與輸出的數據。就是： (x1, y1), (x2, y2) ... (xn, yn), 我們想利用這些數據來擬合出 x與y 之間的關係。 這就是機器學習想完成的基本任務。而且經常的情況下，輸入x不是一個數，而是一個向量x , 我們想學習的關係是 y =f(x). 比如下圖裡面提到房子的價格跟面積的關係，可以近似用一個線性函數（紅色實線）解釋 （圖一）。
（圖一）
(4) 有了這個基本思路，就可以理解很多機器學習（分類與預測）都是想找到這種輸入與輸出在高維空間的關係。比如說我們想做手寫數字的識別，假設每張輸入的圖像是30*30個像素點（圖二）。 那麼這樣的一個輸入我們可以看成是一個30*30 = 900維的一個向量x, 我們需要學習的關係是 y = f(x), 其中y 屬於{0，1， 2， 3..... 9} 等是個數字。 這樣我們就把一個模式識別的問題編程了一個純粹的數學問題。 我們需要的是在高維空間中把這些數字分開 （圖三）。
（圖二）
（圖三）
北航秦曾昌
試一下：
外在地說，機器學習就是機器隨著輸入信息而表現出更優良的性能。類似於人的學習。
內在地說，機器學習就是機器根據輸入數據對有限多個備選方案（假設函數）進行打分，取最優方案用於後續判斷，給出更準確的輸出。
做機器學習研究，就是要依次確定輸入數據是什麼，給出備選方案集合（包括特徵選擇和模型選擇），明確打分的規則（評分標準），實現打分的過程（算法編程），訓練和驗證最優方案，最後應用於合適的場景和領域。
開頭和結尾兩步依賴於原始問題所屬專業領域知識；中間四個步驟，前兩個側重於數學方面，後兩個側重於計算機方面。
整體上，機器學習代表的是一種思想方法。可以把它用到人類生活的一切領域。對，是一切，沒有例外。
深度學習是機器學習的一個近來很火熱的子領域。機器學習是人工智能的一種非常重要的實現方式，當然，人工智能還包括其他很多方面。
