机器学习，作为人工智能的一个分支，是纯粹的数学和科学实践。当它变成计算性质时，便开始解决人类的问题。机器学习的核心在于研究和构建能够从数据中学习并对未来数据做出预测的算法。随着数据量的增加，机器学习能够改变其行为和响应，使其更加高效、适应性强和可扩展。
深度学习
深度学习是实现机器学习算法的一种技术，它使用人工神经网络对训练数据进行处理，以实现高度可靠的决策制定。神经网络通过在许多层上执行微观计算来进行计算，能够处理类似于人类的任务。
机器学习类型
1. 监督学习：在监督学习模型中，算法通过学习标记过的数据集来生成对新数据响应的预期预测。例如，预测房价时，首先需要有关房屋的数据，如面积、房间数量、是否有花园等特征，然后需要知道这些房屋的价格，即类别标签。通过成千上万的房屋数据、特征和价格，现在可以训练一个监督机器学习模型，根据模型过去的经验来预测新房屋的价格。
// 监督学习分为两类：
a) 分类：在分类中，计算机程序在训练数据集上进行训练，并根据训练结果将数据分类到不同的类别标签中。这种算法用于预测离散值，如男性/女性、真/假、垃圾邮件/非垃圾邮件等。
b) 回归：回归算法的任务是找到映射函数，将输入变量(x)映射到连续的输出变量(y)。回归算法用于预测连续值，如价格、工资、年龄、分数等。
2. 无监督学习：在无监督学习模型中，算法通过学习未标记的数据集并自行提取特征、共现和底层模式来尝试理解数据。例如，异常检测，包括欺诈检测。另一个例子是将紧急医院开设在事故多发地区。K-means聚类将这些事故多发地区的地点分组到聚类中，并为每个聚类（即事故多发地区）定义一个聚类中心（即医院）。
3. 强化学习：强化学习是一种机器学习，模型通过执行某些动作并分析反应来学习在环境中的行为。强化学习采取适当的行动以最大化特定情况下的积极反应。强化模型决定采取哪些行动来执行给定的任务，因此它必须从自身的经验中学习。