机器学习（Maching learning ，ML）是一门多领域交叉学科，设计概率论，统计学等多门学科，专门研究计算机怎么模拟实现人类的学习行为，以获取新的知识和技能，重新组织已有的知识结构之不断地改善自身的性能，他是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能各个领域，主要使用归纳，综述，而不是演绎。 传统上计算机是一种给他一些指令，然后遵循指令每一步执行下去，但是机器学习所接受的不是指令，而是我们输入的数据，机器学习就是一种让计算机利用数据而不是指令来执行各种工作的方法。
2.机器学习常用算法机器学习算法又很多算法，这里，我们分别按照两个标准对常用的机器学习算法进行划分，第一个标准是算法的学习方式，第二个标准是算法的相似性。
2.1按照学习方式划分按学习方式，机器学习可以分为监督学习，无监督学习，半监督学习和强化学习。
（1）监督学习在监督学习中，输入数据称为“训练模型”，每组训练新数据有一个明确的标识和结果，监督学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断地调整预测模型，直到模型预测的预测结果达到一个预测的准确值，监督学习常见的应用场景就是分类问题和回归问题，常见的算法有逻辑回归和反向传递神经网络。
(2)无监督学习在无监督学习中，数据并没有特别表示，学习模型是为了判断出数据一些内在的结构，常见的应用场景包括关联规则的学习以及聚类，常见的算法包括：Apriori算法和k-mean算法。
（3）半监督学习在半监督学习方式下，输入数据部分被标注，部分没有被标注，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理地组织数据来进行预测，应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上在对标识的数据进行预测，如图论推理算法或者拉普拉斯支持向量机。
（4）强化学习在这种学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻做出调整，常见的应用场景包括动态系统以及机器人控制，常见的算法Q-Learning以及时间差学习。
