1.什么是机器学习

机器学习是一帮计算机科学家想让计算机像人一样思考，所研发出来的计算机理论。

在计算机科学家眼里看来，人和计算机其实并没有差别。同样都是一大批互相连接的 信息传递和存储元素所组成的系统。所以有了这样的想法，加上那批科学家得天独厚的数学功底，机器学习的前身也有孕育而生了，机器学习的萌芽诞生于19世纪60年代。20年前逐渐兴起，它是一门跨学科的交融。这里面包含了概率论，统计学等等学科。
随着计算机硬件的提升，计算机运算速度的不断提高，它真正开始进入到我们的日常生活当中，而在不久的将来，我相信它也会成为我们生活中必不可少的组成元素。
我们说一说日常生活中的机器学习的应用
第一个提到的，最具代表性的公司 应该就是GOOGLE，它所开发的google now,google photos都是基于机器学习的产物。与此同时，各种各样的企业都开始尝试把自己的产品往机器学习上靠拢。比如金融公司的汇率预测，股票涨跌，房地产公司的房价预测等等。
机器学习不仅仅只有一种方法。实现它的方法多种多样，这里所说的方法，在程序语言中，我们叫做算法。目前所有机器学习的算法大概可以被分为4到5类。
如果在学习过程中，我们不断的向计算机提供数据和这些数据所对应的值。比如给计算机看猫和狗的图片，并告诉计算机哪个是猫，哪个是狗，这种学习的方式就叫做“监督学习（supervised learning）”
大家所熟知的神经网络同样是一种监督学习的方式。
但如果同样在这种学习过程中，我只给计算机提供猫和狗的图片，但并不告诉计算机哪些是猫哪些是狗，而是让计算机自己去判断和分类，让计算机自己总结出两种图片之间的不同之处，这就是一种“非监督学习（unsupervised learning）”。在这一种学习过程中，我们可以不用提供数据所对应的标签信息，计算机通过观察各种数据之间的特性，会发现这些特性背后的规律。这些规律也就是非监督方法所学到的东西。
还有一种方法综合了监督学习和非监督学习的特征，这种叫做“半监督学习（semi-supervised learning）”
它主要考虑如何利用少量有标签的样本和大量没有标签的样本进行训练和分类。
在规划机器人的行为准则方面，一种机器学习方法叫做“强化学习（reinforcement learning）”,也就是把计算机丢到一个对于它完全陌生的环境或者让它完成一项从未接触过的任务，它自己会尝试各种手段，最后让自己成功的适应这一陌生的环境。或者学会完成这件任务的方法途径。
还有一种和强化学习类似的学习方法，叫做遗传算法（Geneticalgorithm），这一种是模拟我们熟知的进化理论，淘汰弱者，适者生存。通过这样的淘汰机制去选择最优的设计或模型。
总结
有数据和标签的 监督学习
只有数据没有标签的 非监督学习
结合了监督学习和非监督学习的半监督学习
从经验中总结提升的强化学习
最后是和强化学习类似的，有着适者生存 不适者淘汰准则的遗传算法。