简单介绍一下机器学习：
简单理解一下“机器学习”：从字面上，可以想到，让机器去学习，学习什么呢？简单来说其实就是从数据中学习得到一些信息。机器学习能让我们从数据集中受到启发，意思就是，利用计算机来彰显数据背后的真实含义，这就是机器学习的真实含义。机器学习对于任何需要解释并操作数据的领域都
是很有用的。
机器学习主要分为两类：监督学习和非监督学习。顾名思义，由名称可以简单理解，监督学习也就是有相应已知数据支持情况下的机器学习，而非监督学习是没有任何知识所支持的机器学习。这样说可能不是那么明白，接着往下理解。
监督学习又分为两个问题，一个问题是分类，另一个是回归。分类就是利用已知类别的数据来学习一个分类标准，然后利用该分类标准去分类那些未被标识类别的数据；回归主要指的是预测数值型数据，大多数人可能都见过回归的例子——数据拟合曲线：通过给定数据点的最优拟合曲线。由此可以看出，分类和回归都需要有已知数据的支持的，分类算法都要求输入大量已被标识好类别的数据作为算法的训练集，对于机器学习算法都有一个目标变量，分类算法中的目标变量就是类别的集合，通常是标称型的数据。而回归算法通常是连续型的。
与监督学习相对应的无监督学习，此时数据没有类别信息，也不会给定目标值。无监督学习也主要包含两类，其一：将数据集合划分成几个由相似对象组成的群组（或类别），这个过程称为聚类；其二是：将寻找描述数据统计值的过程称之为密度估计。此外，无监督学习还可以减少数据特征的位度，以便我们可以使用二维图或三维图更加直地展示数据信息。
下面贴出一张表格来显示处理这四个问题的机器学习算法：
其中解决某个问题的算法都有好几种，那么就引出了一个问题，该选择何种算法来解决问题呢？
在选择实际可用的算法时，要考虑两个方面：
• 目的是什么？也就是说要解决什么问题，解决什么问题就找到相对应的方法。
• 要分析或收集的数据是什么（数值型或标称型等等）。
在考虑这两个问题的时候，就可以初步确定要用的算法了。
首先考虑目的，如果要预测目标变量的值，就选择监督学习，否则则选择非监督学习。选择了监督学习之后，思考要分析的数据类型是什么类型的数据，如果目标变量是离散型数据，则选择分类算法，如果目标变量是连续型数据，则选择回归算法。如果不预测目标变量的值，则选择非监督学习，然后进一步分析是否需要将数据划分为离散的组。如果这是唯一的要求，则选择聚类算法；如果还需要估计数据与每个分组的相似程度，则需要使用密度估计算法。不过这不是一成不变的，比如有时也会使用分类算法来处理回归问题。
考虑完目的，其次就要考虑数据的问题，要充分了解数据，对实际数据越了解，越容易找到符合实际需求的应用程序。主要该了解数据的特性如下：特征值是离散型变量还是连续型变量；特征值是否存在缺失的值，什么原因造成了数据的缺失；数据中是否包含异常的值，某个特征发生的频率是怎样的（是否很罕见如大海捞针一样）。了解了这些就可以很好的缩短选择算法的时间。
通过以上方法只是能最大程度的缩小选择算法的范围，但一般并不存在最好的算法或者可以给出最好结果的算法，同时还要尝试其他的算法去查看效果的好坏。一般来说发现最好算法的关键环节就是反复试错的迭代过程。
接下来说一下开发机器学习应用程序的基本步骤：
- 收集数据。机器学习算法都离不开数据，只有有了数据才可以做分类，回归，聚类以及密度估计。
- 准备输入数据。再有了数据之后，还要让数据符合机器学习算法的格式要求，根据格式的要求对数据进行处理。
- 分析输入数据。这个步骤主要是人工分析得到的数据。主要分析数据是否有空值；数据是否分析出相应的模式或知识；数据中是否存在异常值。这里可以通过一维、二维或三维图形展示来查看数据的差异等。这一步主要作用是确保数据中没有垃圾数据，以便后续步骤更好的进行。
- 训练算法。将前面得到的数据输入到机器学习的算法， 从数据中得到相应的信息或知识模式。这里需要将得到的知识存储为计算机可以处理的格式，方便后续步骤使用。如果使用无监督学习，由于不存在目标变量值，因此这一步可以省掉。
- 预测算法。这一步是使用步骤4中得到知识模式，来检验算法的性能，评估算法。如果不满意算法的输出结果，可以回到步骤4继续调试来获取好的结果。
- 使用算法。将机器学习算法转换为应用程序，去解决实际的问题。这里也要不断地从实际情况中去检验算法的好坏，碰到新的问题，同样需要重复以上步骤进行改进。
机器学习，主要为了理解数据背后的含义。学习数据中所隐藏着的知识模式，用得到的知识模式反馈到现实的问题中。