1.什么是机器学习
人类自身的活动大多是基于经验做出的判断。我们通过积累经验，通过对经验的利用，对新情况做出有效的决策。那么计算机能帮忙吗？机器学习正是这样一门学科，它致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。
在计算机系统中，“经验”以数据的形式存在，机器学习即是研究在数据的基础上产生“模型”（model）的算法，也即“学习算法”（learning algorithm）。学习算法基于数据产生模型，在面对新的数据时，模型会做出相应的判断。
2.机器学习的任务是什么
当今世界，数据越来越多也越来越重要，数据的收集、存储、处理、应用问题也需要我们深入的研究。机器学习的任务即是对数据进行处理：包括但不限于分类、回归预测、聚类、决策。
数据分为离散的和连续的，有标记（label）/特征（feature）的和无标记/特征的。
分类分为二分类和多分类，回归分为线性回归和非线性回归，机器学习分为监督学习、无监督学习和强化学习。
3.机器学习的发展历程
二十世纪五十年代：初期已有机器学习相关研究，中后期，基于神经网络的“连接主义”（connectionism）学习开始出现。
二十世纪六七十年代：基于逻辑表示的“符号主义”（symbolism）学习技术蓬勃发展。以决策理论为基础的学习技术以及强化学习技术等也得到发展。
二十世纪五十年代到七十年代初：人工智能研究处于推理期，那时人们认为只要赋予机器逻辑推理的能力，机器就能具有智能。
代表性工作：逻辑理论家程序（logic theorist）、通用问题求解程序（general problem solving）。
二十世纪七十年代中期：人工智能研究进入了知识期，人们逐渐意识到要使机器具有智能，就必须设法使机器具有知识。这一时期出现了大量的专家系统。
二十世纪八十年代：是机器学习成为一个独立的学科领域、各种机器学习技术百花初绽的时期。机器学习被视为“解决知识工程瓶颈问题的关键”而走上人工智能主舞台。
二十世纪九十年代中期：“统计学习”（statistical learning）闪亮登场并迅速占据主流舞台，代表性技术是支持向量机（support vector machine，简称SVM）以及更一般的核方法（kernel methods）。
二十一世纪初：连接主义学习卷土重来，掀起了以“深度学习”为名的热潮。