机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。主要研究计算机怎样模拟或实现人类的学习行为，以获取新的知识和技能，重新组织已有的知识结构，不断的改善自身的性能。
机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。这些算法是一类能从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。简而言之，机器学习主要以数据为基础，通过大数据本身，运用计算机自我学习来寻找数据本身的规律，而这是机器学习与统计分析的基本区别。
机器学习主要有三种方式：监督学习，无监督学习与半监督学习。
（1）监督学习：通过一堆训练数据（含有特征及标签的数据）推导一个函数，当新的数据输入时，可以根据函数预测该数据对应的标签。监督学习的训练集要求是包括输入和输出，也就是特征和目标。如今机器学习已固有的监督学习算法有可以进行分类的，eg:贝叶斯分类，SVM，ID3，C4.5以及分类决策树，以及现在人工神经网络：BP神经网络，RBF神经网络，Hopfield神经网络、深度信念网络和卷积神经网络等。人工神经网络是模拟人大脑的思考方式来进行分析，在人工神经网络中有显层，隐层以及输出层，而每一层都会有神经元，神经元的状态或开启或关闭，这取决于大数据。同样监督机器学习算法也可以作回归，最常用是逻辑回归。
（2）无监督学习：与有监督学习相比，无监督学习的训练集的标签是未知的，且要学习的类的个数或集合可能事先不知道。常见的无监督学习算法包括聚类和关联，eg:K均值法、Apriori算法。
（3）半监督学习：介于监督学习和无监督学习之间,eg:EM算法。
如今的机器学习领域主要的研究工作在三个方面进行：1）面向任务的研究，研究和分析改进一组预定任务的执行性能的学习系统；2）认知模型，研究人类学习过程并进行计算模拟；3）理论的分析，从理论的层面探索可能的算法和独立的应用领域算法。
机器学习已经有了十分广泛的应用，eg：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、证券市场分析等。
来源：https://www.cnblogs.com/chaiskyok/p/9379581.html