机器学习是人们曾经遇到过的最激动人心的技术之一。从名称中可以明显看出，它为计算机提供了与人类更相似的能力：学习能力。今天，机器学习正在被积极地使用，可能在比预期更多的地方。我们可能在几十年的时间里都没有使用学习算法。机器学习的应用包括：

 

网络搜索引擎： google，bing等搜索引擎运行良好的原因之一是因为系统已经学会了如何通过复杂的学习算法对页面进行排名。

照片标记应用程序：无论是Facebook还是任何其他照片标记应用程序，标记朋友的能力使其更加发生。由于在应用程序后面运行的面部识别算法，所有这些都是可能的。

垃圾邮件检测程序：我们的邮件代理（如Gmail或Hotmail）为我们分类邮件和将垃圾邮件移动到垃圾邮件文件夹做了大量工作。这是通过在邮件应用程序的后端运行的垃圾邮件分类器再次实现的。

如今，公司正在使用机器学习来改善业务决策，提高生产力，检测疾病，预测天气以及做更多事情。随着技术的指数式增长，我们不仅需要更好的工具来理解我们目前拥有的数据，而且还需要为我们将拥有的数据做好准备。为了实现这一目标，我们需要构建智能机器。我们可以写一个程序来做简单的事情。但在大多数情况下，Hardwiring Intelligence很难实现。最好的方法是让机器自己学习东西。一种学习机制 - 如果一台机器可以从输入中学习，那么它为我们做了艰苦的工作。这就是机器学习的用武之地。机器学习的一些例子是：

 

用于自动化增长的数据库挖掘：典型应用包括用于更好的用户体验（用户体验）的Web点击数据，用于医疗保健中更好自动化的医疗记录，生物数据等等。

无法编程的应用程序：由于我们使用的计算机未以这种方式建模，因此有些任务无法编程。示例包括自动驾驶，无序数据识别任务（人脸识别/手写识别），自然语言处理，计算机视觉等。

理解人类学习：这是我们理解和模仿人类大脑的最接近的。这是一场新革命的开始，即真正的人工智能。现在，经过简短的洞察，我们可以对机器学习进行更正式的定义

Arthur Samuel（1959）： “机器学习是一个研究领域，它为计算机提供了学习的能力而无需明确编程。”Samuel写了一个可以随着时间的推移学习的Checker游戏程序。起初它可以轻松赢得。但随着时间的推移，它学会了最终导致他获胜或失败的所有董事会职位，从而成为比塞缪尔本身更好的棋手。这是定义机器学习的最早尝试之一，并且不那么正式。

Tom Michel（1999）： “据说计算机程序可以从经验E中学习某些任务T和绩效测量P，如果它在T中的任务中的表现，由P测量，随经验E而提高。”是一个更正式和数学的定义。对于以前的国际象棋程序

E是游戏数量。

T正在下棋对抗电脑。

P是计算机的赢/输。

在下一个教程中，我们将对机器学习问题的类型进行分类，还将讨论机器学习的有用包和设置环境，以及如何使用它来设计新项目。