- 机器学习是一门通过编程让计算机从数据中进行学习的科学（和艺术）
- 机器学习是一个研究领域，让计算机无须进行明确编程就具备学习能力。
- 一个计算机程序利用经验 E 来学习任务 T，性能是 P，如果针对任务 T 的性能 P 随着经验 E 不断增长，则称为机器学习。
机器学习的应用示例：
- 分析生产线上的产品图像来对产品进行自动分类（分类问题，使用CNN）
- 通过脑部扫描发现肿瘤（语义分割，CNN）
- 自动分类新闻（自然语言处理的文本分类，RNN、CNN 或 Transformer）
- 论坛中自动标记恶评（文本分类）
- 自动对长文章做总结（文本总结）
- 创建一个聊天机器人或者个人助理（自然语言理解和问答模块）
- 基于很多性能指标来预测公司下一年的收入（回归模型）
- 让应用对语音命令做出反应（语音识别）
- 检测信用卡欺诈（异常检测）
- 基于客户的购买记录来对客户进行分类，对每一类客户设计不同的市场策略（聚类问题）
- 用清晰而有洞察力的图表来表示复杂的高纬度数据集（数据可视化的降维技术）
- 基于以前的购买记录给客户推荐可能感兴趣的产品（推荐系统）
- 为游戏建造智能机器人（强化学习）
机器学习的分类：
- 有监督学习：提供给算法的包含所需解决方案的训练集称为标签。
- 无监督学习：训练数据集是未经标记的，系统会在没有老师的情况下进行学习。
- 半监督学习：处理部分已标记的数据。
- 强化学习：它的学习系统（智能体）能够观察环境，做出选择，执行动作，并获得回报。
- 批量学习：学习新数据，需要再完整数据集（包括新数据和旧数据）的基础上重新弄训练系统的新版本，然后停用旧系统，用新系统取代。
- 在线学习：循序渐进地给系统提供训练数据，逐步积累学习成果。
- 基于实例的学习：系统用心学习示例，然后通过使用相似度度量来比较新实例和已经学习的实例，从而泛化新实例。
- 基于模型的学习：从一组示例集中实现泛化的另一种方法是构建这些示例的模型，然后使用该模型进行预测。
