机器学习是什么？

不存在一个被广泛认可的定义

在进行特定编程的情况下，给予计算机学习能力的领域。

一个程序被认为能从经验E中学习，解决任务T，达到性能度量值P，当且仅当，有了经验E之后，经过P评判，程序在处理T时的性能有所提升。
举个例子：
下棋训练
E：程序上万次的自我练习的经验
T：下棋
P：对局时赢得比赛的概率

监督学习

最常见的一种机器学习问题。
我们给学习算法一个数据集，这个数据集由“正确答案”组成。举房子价格的例子，提供一系列房子的数据，也就是给出每个样本的正确价格—（实际售价）然后运用机器学习算法，算出更多的正确答案。
即回归问题：试着推测出一个连续值的结果，即房子的价格。

分类问题

举例：肿瘤检测
根据肿瘤尺寸、患者年龄、肿块密度等特征来预测离散输出，分别为良性、第一类第二类或第三类癌症等。

支持向量机：利用巧妙的数学技巧，让计算机处理无限多个特征。

无监督学习

无监督学习中没有任何的标签或者是有相同的标签或者就是没标签。所以需要从这样的数据集中找到某种结构。无监督学习算法可能会把这些数据分成两个不同的簇---聚类算法。
聚类是无监督学习的一种。

应用实例：

用于组织大型计算机集群。对于大型的计算机集群，想解决什么样的机器易于协同的工作，使得数据中心工作的更高效。

社交网络的分析。已知朋友的信息，自动的给朋友分组。

市场分割。根据大型数据库中存储的消费者信息，自动发现市场分类，把顾客划分到不同的细分市场，从而自动并更有效地销售或不同的细分市场一起进行销售。

总而言之，必须让算法从数据中发现一切。