机器学习顾名思义，计算机模拟人类学习行为，获取学习规律改善自己。可以应用于数据的预测任务。
人类学习： 外界现象-->认知-->推理判断-->归纳规律
计算机：给定样本数据-->学习规则-->获取数据的规律 -->根据新的数据进行预测
机器学习的对象：学习任务T，训练经验E，预测性能目标P
例子：学习任务--下象棋； 性能目标--击败对手（胜率100%）； 训练经验--学习棋谱，自我博弈
机器学习的分类：
监督学习：房价预测，回归分析，曲线拟合。有结果对照
无监督学习：分类，垃圾短信，垃圾邮件。 无结果对照
强化学习：机器人控制。
具体的：
监督学习：
训练集需要包括特征数据和判别目标结果，训练出模型根据特征预测结果。带结果数据训练。
例如根据身高，头发，吸烟的特征判别性别。训练集的数据特征和目标是一一对应用于训练。
最后根据你给定的特征判断结果。
无监督学习：
无标记的特征数据，可以根据样本的特征分辨类别。
例如：根据衣服的一些特征，进行相关的分类。
强化学习：
环境感知，做出尝试动作，奖惩状态，进行调整，尝试新的动作。启发式学习。
机器学习算法一览：
相关资料：
1，Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer-Verlag, 2006 ,
2，Kevin P. Murphy, Machine Learning:A Probabilistic Perspective, The MIT Press, 2012