机器学习是人工智能（AI）的一种应用，它使系统能够在没有明确编程的情况下自动学习和改进经验。机器学习专注于开发可以访问数据并使用它自己学习的计算机程序。

学习过程从观察或数据开始，例如示例，直接经验或指导，以便根据我们提供的示例查找数据中的模式并在将来做出更好的决策。主要目的是让计算机在没有人为干预或协助的情况下自动学习，并相应地调整行动。

一些机器学习方法

机器学习算法通常被分类为监督或无监督。

受监督的机器学习算法可以使用标记的示例将过去学到的内容应用于新数据以预测未来事件。从对已知训练数据集的分析开始，学习算法产生推断函数以对输出值进行预测。

相反，当用于训练的信息既未被分类也未被标记时，使用无监督的机器学习算法。无监督学习研究系统如何推断函数来描述未标记数据的隐藏结构。

半监督机器学习算法介于有监督和无监督学习之间，因为它们使用标记和未标记数据进行训练 - 通常是少量标记数据和大量未标记数据。使用此方法的系统能够显着提高学习准确性。

强化机器学习算法是一种学习方法，通过产生动作并发现错误或奖励来与其环境相互作用。试错法搜索和延迟奖励是强化学习最相关的特征。此方法允许计算机和软件代理自动确定特定上下文中的理想行为，以便最大化其性能。

机器学习的例子

机器学习正在被广泛应用于当今。其中一个最着名的例子是Facebook的新闻Feed。News Feed使用机器学习来个性化每个成员的Feed。如果成员经常停止滚动阅读或喜欢特定朋友的帖子，则新闻Feed将开始在Feed中更早地显示该朋友的活动。在幕后，该软件只是使用统计分析和预测分析来识别用户数据中的模式，并使用这些模式填充新闻源。如果会员不再停止阅读，喜欢或评论朋友的帖子，那么新数据将包含在数据集中，并且新闻Feed将相应地进行调整。

机器学习也进入了一系列企业应用程序。客户关系管理（CRM）系统使用学习模型来分析电子邮件，并促使销售团队成员首先响应最重要的消息。更高级的系统甚至可以推荐可能有效的响应。商业智能（BI）和分析供应商在其软件中使用机器学习来帮助用户自动识别潜在的重要数据点。人力资源（HR）系统使用学习模型来识别有效员工的特征，并依靠这些知识来找到最佳申请人。

机器学习在自动驾驶汽车中也起着重要作用。深度学习神经网络用于识别物体并确定用于安全地将车辆引导到道路上的最佳动作。