自从计算机出现后，大量的数据都存储在计算机中，尤其是今几年提出的"大数据"，更是意味着存储在计算机中存储
单位达到PB级。那如何对这些数据进行处理，对于简单的需求可能只需要对数据进行统计即可。但当数据变得复杂
或有更高的需求时，就需要使用到机器学习。
这篇文章就是简单介绍对机器学习的认识。
一、什么是机器学习？
机器学习，英文名称（Machine Learning），简称ML。顾名思义，它是说机器也就是计算机像人一样进行"学习"，但计算机怎么会学习呢？那首先让我们思考一下人类是怎么进行学习的，我们人类是通过对外界的知识的不断积累，包括对传授者的行为信息或书本的信息通过五官进行获取，然后大脑对信息进行处理，最后形成经验。那计算机如何进行学习呢，虽然计算机看上去计算数据很快，但其实很笨，那如何使笨笨的计算机进行学习呢？与人类学习一样，计算机使用大量已有的数据，对计算机训练出模型，并用该模型得出有用的信息。我的个人理解，机器学习是以潜在的模型将无序的数据转换成有用的信息。
二、机器学习的分类
按照常见的学习方式分类，能够将机器学习分为：监督式学习、无监督学习、半监督学习、强化学习。下面是常见的几种算法：
| 监督学习 | K-近邻算法、线性回归、朴素贝叶斯、SVM、决策树、Logistic回归... |
| 无监督学习 | K-均值、最大期望算法... |
| 强化学习 | TD算法、Q算法... |
三、机器学习的应用领域
机器学习已经应用于多个领域，举一个常见的例子，当你打开浏览器搜索一件商品，浏览器显示10条链接，你点击了第3条链接，搜索引擎后台就会记录你的这次点击，并从中学习以优化下次的搜索结果，当你进行下一次搜索时，可能会有上次搜索商品对应的广告或搜索结果。这其中就是典型的机器学习应用，当用户使用智能手机进行自拍时，有些手机就能进行人脸识别，锁定人的头像。机器学习应用多个领域，如改善商业决策、检测疾病、预测天气、信息安全、生物信息等。
三、机器学习与数据挖掘及大数据之间的关系
数据挖掘是指从大量数据中挖掘有趣模式和知识的过程。从数据本身来考虑，数据挖掘通常需要有信息收集、数据集成、数据规约、数据清理、数据变换、数据挖掘实施过程、模式评估和知识表示8个步骤。而机器学习是数据挖掘的一种方法。数据挖掘还包含其他的诸如统计学、模式识别、数据仓库等技术。
大数据（BigData）是指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。大数据的5V特征：Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）、Veracity（真实性）。大数据的核心是利用数据的价值，机器学习是利用数据价值的关键技术，对于大数据而言，机器学习是不可或缺的。大数据与机器学习两者是相辅相成的关系。