机器学习主要通过计算的手段从数据中提取出相应的模型，也就是说，机器学习的输入是数据，经由学习算法，输出相应的模型，以后我们就可以基于这个模型解决实际问题了。
在机器学习中，输入数据被称为数据集，数据集被分为训练集和测试集。训练集用来通过学习算法训练模型，而测试集则用来评估我们的模型性能。数据集中包含一条条样本，样本则是由属性或特征构成的。例如描述人的数据，其中包含特征身高(cm)，体重(kg)，脸型(1-圆脸，2-方脸，3-瓜子脸)
[
[180， 80， 1],
[160， 60， 2],
[170， 70， 3],
......
]
按照数据集是否有标记(上面的是没有标记的数据集)，可以将机器学习分为两类，有标记的一类称之为监督学习，另一类称之为非监督学习。下面是上面数据集的有标记版本，让用户按照个人喜好作出评价(0-有好感，1-一般，2-无好感)，可以看到，标记就是对某一条样本的说明：
[
[180， 80， 1，0],
[160， 60， 2，1],
[170， 70， 3，2],
......
]
机器学习的目的，就是希望基于训练集，通过一定的学习算法，使得训练出的模型能够适用于非训练集的场合，也就是说，模型应该具有一定的泛化能力，测试集就是用来评估模型泛化能力的，因此，一般测试集应该是与训练集不同的样本数据。
那么，是否训练样本越多，就能获得更好的泛化能力呢？答案是否定的，训练样本过多，会引入过拟合的问题，说的直白点，就是机器将训练样本学习的太好了，导致其泛化能力变弱，就好比学生死记硬背数学题目，但是出现其他的题目就无法解答了。但是训练样本过少，又会出现欠拟合的问题，就好比是学生做题量不够，没有覆盖所有的知识点。所以，训练集的数据量是需要仔细考虑的。
现实中，最常使用机器学习处理的问题主要有分类和回归问题。我们给定一个样本，分类能够对这个样本的数据进行分析，然后给出我们该样本可能属于的类别。回归主要用来预测趋势。分类和回归属于监督学习。聚类是无监督学习的方法，聚类主要按照无标记的训练集，生成数据统计值的密度估计。
有一些知识，我们无法总结出规律，但是隐含在数据中的信息却无法欺骗我们。我们需要做的就是利用各种算法，提取出这些隐含知识。总的看来，机器学习是我们利用数据发掘和归纳知识的一种手段，之后，我们可以利用这些知识解决实际的问题。
