一、快速了解
机器学习简单来说就是能够从大量数据中自己学习规律的一种计算机算法。
二、扩展知识
1. 机器学习要解决什么问题
机器学习的应用场景有很多，比如对话系统、语音识别、人脸识别、推荐系统、天气预测等等，它们的本质都是要解决一个问题：预测。
对于对话系统来说，就是对于输入的语句，预测一句可能最符合逻辑和上下文的回复；
对于语音识别来说，就是对于输入一段音频，预测对应的自然语句；
对于人脸识别来说，就是输入一张人脸图片，预测对应的特征向量，然后和数据库中的人脸计算相似度，找出最相似的人；
对于推荐系统来说，就是给定一个用户（属性、特征、历史行为），预测用户可能最喜欢的东西；
对于天气预测来说，就是给定当天的各项气象指标，预测第二天的天气。
2. 预测问题的两种解决方案
a).专家通过数据找出规律，写出规则。
比如对话系统中，如果用户输入“你好”，机器人也应该回复“你好”。那么我们就可以在代码中实现，如果输入是“你好”，就返回“你好”。
比如传统的天气预测，就是气象学专家根据当天的天气、湿度、风向等各种因素，综合各种气象学知识来预测第二天的天气。
b).编写可以自动学习更新的算法，然后用大量数据训练，让算法自己学习预测的规则——这也就是机器学习了。
现实中很多问题都是没办法通过规则解决的，比如对话系统，有几乎无数种种输入语句（甚至是不同语法），是不可能写出所有规则的。
而对于天气预测来说，大家都知道天气预报是不可能百分百准确的，因为人人类的知识是有限的，可能有其他相关因素被忽略，或者前人总结的规则存存在漏洞。
而通过机器学习不断学习历史数据，可以挖掘到很多潜在的规律，还能不断提高预测准确率，因此目前的天气预报基本都引入了机器学习算法。
3. 机器学习的简单例子
举一个不是很恰当但是很好理解的例子——猜数字大小：
甲：我想了一个1到100的数字，你来猜，我会告诉你大了还是小了。
乙：90。
甲：大了。
乙：30。
甲：小了。
乙：60。
甲：大了。
乙：50。
甲：对了！
其中的 90——大了，就是一组训练数据，90是输入，大了是输出。通过输入一个数字和反馈大小，来不断调整输入，这就是迭代学习，通过代码实现就叫机器学习。
4. 机器学习的实际例子
以天气预测为例，注意这里为了方便理解，都做最简单的假设，实际中肯定更复杂，不过原理都是一样的。
假如第二天的天气为y（取值只能是晴天或者下雨），今天的温度为x1， 湿度为x2。
我们知道y是和x1、x2存在某种联系的，那么首先需要搜集很多历史成对的数据，然后假设（随机初始化）他们的关系是
1*x1+2*x2 = y
其结果y大于0.5则为晴天，小于0.5则会下雨。
接着我们把历史数据一条一条循环代入我们假设的关系公式中，比如第一条数据，x1=30, x2=0.85，第二天天气y=下雨，我们计算得到1*30+2*0.85=31.7，远大于0.5，预测是晴天，但是我们的数据标注是雨天，这时候就要调整我们的参数1和2，这里偏大了，我们就调小，比如假设关系调下为0.01*x1+0.02*x2。接着再代入下一条数据，是不是和猜数字大小很类似？
这样数据一条条的输入，算法也不断的迭代调整参数，这就是机器学习的过程，我们的数据不断循环喂给算法，直到大部分数据都预测正确，就完成了模型的训练。
最后用学习到的参数，代入今天温度、湿度值，就可以预测明天的天气了。
5. 机器学习与人工智能
机器学习及其分支深度学习是目前阶段人工智能的核心，各种现在市面上能看到的所谓的人工智能算法，99%都是基于机器学习。
通过原理可以看出，机器学习本身不具备思维能力和推理能力，只是可以从海量数据中自动学习到一定的规律而已。
所以并不用恐慌什么人工智能威胁论，至少电影中那种真正具有智能的机器人还离我们非常遥远。
