了解什么是机器学习？为什么需要机器学习？
一、什么是机器学习？
字面上，「机器学习」可以拆分为两个词：机器、学习。
那么，简单理解：机器学习就是让机器去学习？
的确是这样的，但是我们学习的目的是什么？我们学习是为了能够掌握某种能力或者技巧。
机器学习也一样！所以从广义上来说，机器学习可以理解为：让机器通过学习，具有某种能力。
现在，我们来回忆一下人类的学习过程。
想象这样一个场景：你有一个半岁的小孩，你现在需要教你的小孩识别苹果、香蕉。
这里面涉及到一个学习的过程：首先，你会向小孩展示苹果和香蕉，并且告诉他：这个圆圆的是苹果，长长的是香蕉。然后，你会重复这个过程无数遍！最终，你的小孩具有了识别苹果和香蕉的能力。
想让机器通过学习，掌握识别苹果和香蕉的能力。首先，我们也需要反复多次的告诉它什么是苹果，什么是香蕉。
与人类小孩学习过程不同的是，机器学习是从数据中提取知识。
所以，我们需要将苹果和香蕉数据化，比如：大小、形状、颜色。我们整理出成百上千的苹果、香蕉数据，最后输入电脑，再利用某个神奇的算法处理这些数据，电脑会基于这些数据生成一个文件，这个文件，我们称之为"模型"（可以理解为人类学习后的记忆或者总结出的经验）。
算法利用数据生成模型的过程，我们称之为"训练"。训练是一个持续反复的过程，就如人类学习，需要不断记忆、不断总结。
最后，我们再将新的苹果或者香蕉数据输入，计算机利用模型就能判断出是苹果还是香蕉。
所以，从实践的意义上来说：机器学习（machine learning，缩写ML）是一种基于数据，通过算法，训练出模型，让程序可以基于模型预测结果的一种方法。
二、为什么需要机器学习？
在"智能"应用的早期，还没有机器学习。当时许多"智能"系统，其实并不是我们想象中的那么智能！
机器学习之前，许多看上去智能的系统，内部采用的是人为制定的条件决策规则来处理某些智能逻辑。比如：一个早期的电影推荐系统
如果，看了"钢铁侠"：
推荐"复仇者联盟"；
否则：
推荐"喜羊羊"吧；
对应到程序代码中，这样的逻辑就是"if-else"条件选择。早期这样的"智能"系统中，往往会包含很多很多的"if-else"。毕竟条件越多，推荐越准确~
好在计算机与人相比，计算机记忆力超强、运算速度超级快。成百上千的条件选择也能轻松记住，并且快速计算，给出结果。
这种人为制定规则的方法并不适用所有场景。比如：人脸检测、指纹解锁等。
如今，每台智能手机都能检测人脸或者指纹。对于图像的识别，计算机感知的是像素（像素组成了计算机中的图像），与人类感知图像的方式完全不同。所以，人类想要制定出一套好的规则来描述图像构成，基本上是不可能的！
这时候机器学习就应运而生了。我们仅仅通过向程序输入成千上万的人脸图像，就可以让计算机识别出人脸特征，从而区分每一个人。
END.
系列文章：
- 「零基础」python机器学习入门（零）| 前言：致读者
本系列文章后期不定时更新，后续内容会首发在我的公众号上。微信读者，可以搜一搜：【程序员的一天】，即可关注！
另外，每一个关注、点赞，都是极大支持和鼓励。最后，非常感谢阅读本系列文章。