一、什么是机器学习
首先，机器学习的英文名称叫Machine Learning，简称ML，该领域主要研究的是如何使计算机能够模拟人类的学习行为从而获得新的知识和技能，并且重新组织已学习到的知识和和技能，使之在应用中能够不断完善自身的缺陷与不足。
简单来说，机器学习就是让计算机从大量的数据中学习到相关的规律和逻辑，然后利用学习来的规律来预测以后的未知事物。
1.1 机器学习的过程
二、机器学习算法的分类
2.1 监督学习
监督学习很明显的标志：给机器训练的数据拥有明确的“标记”或者“答案”。
下列算法均属于监督学习：
- kNN算法（k近邻算法）
- 线性回归和多项式回归
- 逻辑回归
- SVM
- 决策树和随机森林 -
2.2 非监督学习
与监督学习相反，非监督学习则是给机器训练的数据没有明确的“标记”或者“答案”。比如对于没有“标记”的一些数据进行分类—–聚类分析等。
非监督学习常从来对数据进行降维处理以及异常检测。
2.1 半监督学习
半监督学习很明显的标志：给机器训练的数据一部分拥有明确的“标记”或者“答案”，而一部分却没有。在现实生活中可能是由于种种原因导致标记缺失。
对于这类数据首先都是应用非监督学习的算法来获得标记，之后在用监督学习进行模型的训练和预测。
2.1 增强学习
增强学习就是根据周围的环境（即数据），采取行动，根据行动的结果，再去调整模型的算法，以求达到最优。也就是想说，在不断地进行学习，适应。