这可能是最简单易懂的机器学习入门（小白必读）
https://blog.csdn.net/qq_28168421/article/details/81351321
机器学习入门好文，强烈推荐
https://blog.csdn.net/ritterliu/article/details/54821300
关于机器学习，我总结了可能是目前最全面最无痛的入门路径和资源！
https://blog.csdn.net/ZLJ925/article/details/78934355
有三种主要类型的机器学习：监督学习、非监督学习和强化学习，所有这些都有其特定的优点和缺点。
监督学习:数据是有标签的
类的一个简单例子是电子邮件帐户上的垃圾邮件过滤器
第二种监督学习是回归。在回归中，机器使用先前的(标记的)数据来预测未来。
无监督学习：在无监督学习中，数据是无标签的。由于大多数真实世界的数据都没有标签
分为聚类和降维
聚类：将一个组划分成不同的子组(例如，基于年龄和婚姻状况)，然后应用到有针对性的营销方案中。
降维：通过找到共同点来减少数据集的变量。大多数大数据可视化使用降维来识别趋势和规则。
最后，强化学习使用机器的个人历史和经验来做出决定。强化学习的经典应用是玩游戏。一台下棋的电脑可以学会不把它的国王移到对手的棋子可以进入的空间。然后，国际象棋的这一基本教训就可以被扩展和推断出来，直到机器能够打(并最终击败)人类顶级玩家为止。
机器学习是人工智能的一个分支。人工智能致力于创造出比人类更能完成复杂任务的机器。这些任务通常涉及判断、策略和认知推理，这些技能最初被认为是机器的“禁区”。虽然这听起来很简单，但这些技能的范围非常大——语言处理、图像识别、规划等等。
机器学习使用特定的算法和编程方法来实现人工智能。没有机器学习，我们前面提到的国际象棋程序将需要数百万行代码，包括所有的边缘情况，并包含来自对手的所有可能的移动。有了机器学习，我们可以将代码量缩小到以前的一小部分。很棒对吧？
有一个缺失的部分：深度学习和神经网络。我们稍后会更详细地讨论它们，请注意，深度学习是机器学习的一个子集，专注于模仿人类大脑的生物学和过程。
机器学习最大的突破是2006年的深度学习。深度学习是一类机器学习，目的是模仿人脑的思维过程，经常用于图像和语音识别。
深度学习的出现导致了我们今天使用的(可能是理所当然的)许多技术。你有没有把一张照片上传到你的Facebook账户，只是为了暗示给照片中的人贴上标签？Facebook正在使用神经网络来识别照片中的面孔。或者Siri呢？当你问你的iPhone关于今天的棒球成绩时，你的话语会用一种复杂的语音解析算法进行分析。如果没有深度学习，这一切都是不可能的。