机器学习概览
大多数人听到“机器学习”，往往会在脑海中勾勒出一个机器人：一个可靠的管家，或是一个可怕的终结者，这取决于你问的是谁。但是机器学习并不是未来的幻想，它已经来到我们身边了。事实上，一些特定领域已经应用机器学习几十年了，比如光学字符识别 （Optical Character Recognition，OCR）。但是直到 1990 年代，第一个影响了数亿人的机器学习应用才真正成熟，它就是垃圾邮件过滤器（spam filter）。虽然并不是一个有自我意识的天网系统（Skynet），垃圾邮件过滤器从技术上是符合机器学习的（它可以很好地进行学习，用户几乎不用再标记某个邮件为垃圾邮件）。后来出现了更多的数以百计的机器学习产品，支撑了更多你经常使用的产品和功能，从推荐系统到语音识别。
机器学习的起点和终点分别是什么呢？确切的讲，机器进行学习是什么意思？如果我下载了一份维基百科的拷贝，我的电脑就真的学会了什么吗？它马上就变聪明了吗？在本文中，我们首先会澄清机器学习到底是什么，以及为什么你要使用它。
然后，在我们出发去探索机器学习新大陆之前，我们要观察下地图，以便知道这片大陆上的主要地区和最明显的地标：监督学习 vs 非监督学习，在线学习 vs 批量学习，基于实例 vs 基于模型学习。然后，我们会学习一个典型的机器学习项目的工作流程，讨论可能碰到的难点，以及如何评估和微调一个机器学习系统。
这一章只是入门闲聊，但你要确保每一点都搞明白了，再继续进行学习其余章节，也是能游刃有余的轻易理解。
什么是机器学习？
机器学习是实现人工智能的一个途径，机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。
人工智能（Artificial Intelligence）证明了很多复杂的领域你无法直接通过编程来实现处理，比如你通过程序一步一步的 if–elsif 去设置所有的逻辑判断，通过程序识别海量的异常（如果强行实现难度太高且通用性不够）。但是通过一些学习型算法，可以让计算机自己去学习，比如学习手写体，学习各种声音、学习识别图片等，目前的手写体识别、声音识别、图像识别都是人工智能领域研究出机器学习的算法，最后通过机器学习实现的。
由于现在的很多应用产生了海量数据和强大的超级计算机的存在，机器学习才能获得如此巨大的成功。
更广义的概念：
机器学习是通过编程让计算机从数据中进行学习的科学（和艺术）。
机器学习是让计算机具有学习的能力，无需进行明确编程。 —— 亚瑟·萨缪尔，1959
工程性的概念：
计算机程序利用经验E学习任务T，性能是P，如果针对任务T的性能P随着经验E不断增长，则称为机器学习。 —— 汤姆·米切尔，1997
例如，你的垃圾邮件过滤器就是一个机器学习程序，它可以根据垃圾邮件（比如，用户标记的垃圾邮件）和普通邮件（非垃圾邮件，也称作 ham）学习标记垃圾邮件。用来进行学习的样例称作训练集。每个训练样例称作训练实例（或样本）。
在这个例子中，任务T就是标记新邮件是否是垃圾邮件，经验E是训练数据，性能P需要定义：例如，可以使用正确分类的比例。这个性能指标称为准确率，通常用在分类任务中。
如果你下载了一份维基百科的拷贝，你的电脑虽然有了很多数据，但不会马上变得聪明起来。因此，这不是机器学习。
为什么使用机器学习？
思考：
- 你会如何使用传统的技术编程，写一个人脸识别呢？
- 你会如何使用传统的技术编程，写一个方言语音转文字呢？
- 你会如何使用传统的技术编程，写一个猫狗图像识别呢？
- 你会如何使用传统的技术编程，写一个智能在线人机客服呢？
使用机器学习，可以快速从数据中寻找规律、建立关系，然后根据建立的关系去解决问题。
机器学习善于
- 需要进行大量手工调整或需要拥有长串规则才能解决的问题：机器学习算法通常可以简化代码、提高性能。
- 问题复杂，传统方法难以解决：最好的机器学习方法可以找到解决方案。
- 环境有波动：机器学习算法可以适应新数据。
- 洞察复杂问题和大量数据。
机器学习的优缺点有哪些？
优点
- 自动化。一般来说只要训练好一个模型和及时更新，就可以在一类问题上不断使用，且在某些问题上效果要比人好得多，例如大规模的图像识别和语言识别等。
- 高效率。 如果用传统算法去评估一个棋局的优劣，可能计算量超大，还不一定准确。用训练好的神经网络去评估，就是一眨眼的功夫。这就是为什么AlphaGo能够这么强，它节省了大量的计算，使得本来不可行的事情变为可行。
- 可塑性。 如果用传统算法去解决一个问题，调整模型的代价可能是把代码重新写一遍，这使得改进的成本巨大。深度学习只需要调整参数，就能改变模型。这使得它具有很强的灵活性和成长性。一个程序可以持续改进，然后达到最理想的状态。
- 普适性。 机器学习模型是通过学习来解决问题，可以根据问题自动建立模型，所以能够适用于各种问题，而不仅仅局限于某个固定的问题。
缺点
- 训练成本较高。需要大量的训练和数据输入才能达到满意的程度，而很多问题找不到足够的数据，需要花费大量的金钱和时间去抓取原始数据。
- 无法直接学习知识。知识是由从数据提炼出来的。如果把人类的知识直接教给它，比如把爱因斯坦的相对论教给它，这种模式到现在还没有更好地解决方案，不过有些进展的方向是迁移学习，有兴趣可以了解下。
- 机器学习不善于解决某些特定问题。复杂的数学运算用神经网络来进行恐怕不是最佳方案，需要结合其他算法和实际的环境才能够正确发挥模型本身的效果。
- 无法对直觉性的知识和判断进行量化和延展。像人可以从自行车联想到带有自行车图案的白云，但机器学习模型目前尚未达到这点。