所謂“機器學習”就是利用計算機將紛繁複雜的數據處理成有用的信息，這樣就可以發掘出數據帶來的意義以及隱藏在數據背後的規律。現如今，“機器學習”和“大數據”可以說是IT行業中最熱點的兩個詞彙，而無論是“機器學習”還是“大數據”最終要解決的問題本質上是一樣的，用最爲直白的話來說就是用現有的數據去預測將來的狀況。
按照問題的“輸入”和“輸出”，我們可以將用計算機解決的問題分爲四大類：
- 輸入的信息是精確的，要求輸出最優解。
- 輸入的信息是精確的，無法找到最優解。
- 輸入的信息是模糊的，要求輸出最優解。
- 輸入的信息是模糊的，無法找到最優解。
在上面的四大類問題中，第1類問題是計算機最擅長解決的，這類問題其實就是“數值計算”和“邏輯推理”方面的問題，而傳統意義上的人工智能也就是利用邏輯推理來解決問題（如早期的“人機對弈”）。一直以來，我們都習慣於將計算機稱爲“電腦”，而基於“馮諾依曼”體系結構的“電腦”實際上只是實現了“人腦”理性思維這部分的功能，而且在這一點上“電腦”通常是優於“人腦”的，而“人腦”在處理輸入模糊信息時表現出來的強大的處理能力，在今天看來也不是“電腦”可以完全企及的。所以我們研究人工智能也好，研究機器學習也好，是希望輸入模糊信息時，計算機能夠給出滿意的甚至是最優的答案。
至此，我們可以給“機器學習”下一個定義：機器學習是一門專門研究計算機怎樣模擬或實現人類的學習行爲，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身性能的學科。機器學習目前已經廣泛的應用到生產生活的各個領域，以下列舉了一些經典的場景：
- 搜索引擎：根據搜索和使用習慣，優化下一次搜索的結果。
- 電商網站：自動推薦你可能感興趣的商品。
- 貸款申請：通過你最近的金融活動信息進行綜合評定。
- 圖像識別：自動識別圖片中有沒有不和諧的內容。
機器學習可以分爲監督學習和非監督學習。監督學習是從給定的訓練數據集中學習得到一個函數，當新的數據到來時，可以根據這個函數預測結果，監督學習的訓練集包括輸入和輸出，也可以說是特徵和目標。監督學習的目標是由人來標註的，而非監督學習的數據沒有類別信息，訓練集也沒有人爲標註結果，通過無監督學習可以減少數據特徵的維度，以便我們可以使用二維或三維圖形更加直觀地展示數據信息 。
實現機器學習的一般步驟：
- 數據收集
- 數據準備
- 數據分析
- 訓練算法
- 測試算法
- 應用算法