機器學習是人工智慧的核心研究領域之一，AI技術到今天所取得的成就很大程度上都得益於機器學習的發展，最受矚目的就是2016年AlphaGo戰勝人類最強圍棋選手。

機器學習最初的研究動機是為了讓計算機具有人的學習能力。

關於機器學習的定義，至今尚未統一，比較經典的說法有如下兩種：

機器學習是利用經驗來改善計算機系統自身的效能。機器學習使用樣本資料來建立並更新模型，並以可理解的符號形式表達，使經過更新後的模型處理同源資料的能力得以提升。

由此可以對機器學習系統的基本框架有所認識，其最終目的是從資料中挖掘出更有價值的資訊。

機器學習的基礎方法主要有四種，我們用孩子學習的方式來進行理解：

1、監督學習

好比家長拿著答案監督孩子做習題，做錯了就會發火，然後孩子改正，如此反覆練習直至不再犯錯。

2、無監督學習

如同孩子玩積木，不用大人教自己透過不斷觀察和試錯就可以組合出很多有意義的模型，進而達到對事物的認識。

3、弱監督學習

類似於一種引導式學習，在孩子學習的過程中間接的給出提示資訊，引導其做出正確的行為。

4、強化學習

強化學習是弱監督學習的一種重要方法，引入了“獎懲”制度，比如小孩學走路，在一個確定環境中，如果孩子成功走到大人身邊，就給予擁抱等獎勵，反之受到懲罰，如此反覆多次強化。

近二十年來，機器學習與統計學和神經學的交叉，極大的改變了我們的生產和生活方式，很多的應用技術早已伴隨我們身邊。

從搜尋引擎到指紋識別，從使用者推薦到機器翻譯，從影象理解到輔助駕駛，我們每天都在不知不覺的使用著機器學習的技術。

機器學習發展的另一個重要節點就是深度學習的出現，相信未來將為我們的生活帶來更加深刻的改變。

機器學習(Machine Learning)是一門多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。

　　專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。

　　它是人工智慧的核心，是使計算機具有智慧的根本途徑。

　　它的應用已遍及人工智慧的各個分支，如專家系統、自動推理、自然語言理解、模式識別、計算機視覺、智慧機器人等領域。

　　其中尤其典型的是專家系統中的知識獲取瓶頸問題，人們一直在努力試圖採用機器學習的方法加以克服。

　　學習能力是智慧行為的一個非常重要的特徵，但至今對學習的機理尚不清楚。人們曾對機器學習給出各種定義。

　　H。A。Simon認為，學習是系統所作的適應性變化，使得系統在下一次完成同樣或類似的任務時更為有效。

　　R。s。Michalski認為，學習是構造或修改對於所經歷事物的表示。從事專家系統研製的人們則認為學習是知識的獲取。

　　這些觀點各有側重，第一種觀點強調學習的外部行為效果，第二種則強調學習的內部過程，而第三種主要是從知識工程的實用性角度出發的。

　　機器學習在人工智慧的研究中具有十分重要的地位。一個不具有學習能力的智慧系統難以稱得上是一個真正的智慧系統，但是以往的智慧系統都普遍缺少學習的能力。

　　例如，它們遇到錯誤時不能自我校正;不會透過經驗改善自身的效能;不會自動獲取和發現所需要的知識。

　　它們的推理僅限於演繹而缺少歸納，因此至多隻能夠證明已存在事實、定理，而不能發現新的定理、定律和規則等。

　　隨著人工智慧的深入發展，這些侷限性表現得愈加突出。正是在這種情形下，機器學習逐漸成為人工智慧研究的核心之一。

　　它的應用已遍及人工智慧的各個分支，如專家系統、自動推理、自然語言理解、模式識別、計算機視覺、智慧機器人等領域。

　　其中尤其典型的是專家系統中的知識獲取瓶頸問題，人們一直在努力試圖採用機器學習的方法加以克服。

　　機器學習是人工智慧研究較為年輕的分支，它的發展過程大體上可分為4個時期。

　　第一階段是在50年代中葉到60年代中葉，屬於熱烈時期。

　　第二階段是在60年代中葉至70年代中葉，被稱為機器學習的冷靜時期。

　　第三階段是從70年代中葉至80年代中葉，稱為復興時期。

　　機器學習的最新階段始於1986年。

　　機器學習進入新階段的重要表現在下列諸方面：

　　(1)機器學習已成為新的邊緣學科並在高校形成一門課程。

　　它綜合應用心理學、生物學和神經生理學以及數學、自動化和計算機科學形成機器學習理論基礎。

　　(2)結合各種學習方法，取長補短的多種形式的整合學習系統研究正在興起。

　　特別是連線學習符號學習的耦合可以更好地解決連續性訊號處理中知識與技能的獲取與求精問題而受到重視。

　　(3)機器學習與人工智慧各種基礎問題的統一性觀點正在形成。

　　例如學習與問題求解結合進行、知識表達便於學習的觀點產生了通用智慧系統SOAR的組塊學習。類比學習與問題求解結合的基於案例方法已成為經驗學習的重要方向。

　　(4)各種學習方法的應用範圍不斷擴大，一部分已形成商品。

　　歸納學習的知識獲取工具已在診斷分型別專家系統中廣泛使用。

　　連線學習在聲圖文識別中佔優勢。

　　分析學習已用於設計綜合型專家系統。

　　遺傳演算法與強化學習在工程控制中有較好的應用前景。

　　與符號系統耦合的神經網路連線學習將在企業的智慧管理與智慧機器人運動規劃中發揮作用。

　　(5)與機器學習有關的學術活動空前活躍。國際上除每年一次的機器學習研討會外，還有計算機學習理論會議以及遺傳演算法會議。