機器學習，有時也稱為計算智能，近年來已經突破了一些技術障礙，并在機器人、機器翻譯、社交網絡、電子商務，甚至醫藥和醫療保健等領域取得了重大進展。機器學習是人工智能的一個領域，其目標是開發學習計算技術以及構建能夠自動獲取知識的系統。

　　學習系統是一種計算機程序，它通過成功解決過去的問題積累的經驗做出決策。盡管應用時間不長，但是有許多不同的學習算法，該領域是計算領域最熱門的領域之一，并且定期發布一些新的技術和算法。

　　機器學習vs.人工智能

　　許多人認為機器學習和人工智能的含義是一樣的，但這并不十分準確。人工智能有幾種定義，這其中包含機器學習的廣泛概念。一個被廣泛接受的定義是，人工智能由依賴人類行為來解決問題的計算機制組成。換句話說，技術使計算機就像人類一樣“思考”來執行任務。

　　人類能夠分析數據，發現其中的模式或趨勢，從中進行更明智的分析，然后使用結論做出決策。在某種意義上，人工智能也遵循同樣的原則。通常，人們完成任務越多，就越熟練。這是具有學習能力的結果。經常重復或執行相關程序對人們來說是一種培訓。在人工智能系統中也會發生類似的事情：公開獲取或記錄在專用平臺上的數據用作人工智能算法的培訓。

　　那么培訓是如何完成的?為此目的有幾種算法。這一切都取決于應用程序以及它們背后的組織或人員。在這里，最重要的是知道在這一點上機器學習是有意義的。

　　什么是機器學習?

　　機器學習也是一個有多種定義的概念，但在其核心，機器學習是一個可以根據自身經驗自主修改其行為的系統，其人為干擾很小。這種行為修改基本上包括建立邏輯規則，目的是提高任務的性能，或者根據應用程序做出最適合場景的決策。這些規則是根據分析數據中的模式識別生成的。

　　例如，如果一個人在搜索引擎中鍵入“勇敢”這個詞，該服務需要分析一系列參數來決定是否顯示類似于激怒或勇敢的結果，這可能有兩種含義。在眾多可用參數中有用戶搜索歷史：例如，如果在尋找“勇敢”之前幾分鐘，則最有可能出現第二種意義。這是一個非常簡單的例子，但它說明了機器學習的一些重要方面。

　　重要的是，系統必須根據大量數據進行分析，這是搜索者必須放棄的一個標準，因為他們接收了數百萬次訪問，因此這是一個培訓標準。

　　另一個方面是持續的數據輸入，有利于識別新標準。假設“勇敢”這個詞成為與文化運動相關的俚語，通過機器學習，搜索引擎將能夠識別指向該術語的新含義的模式，并且在一段時間之后，將能夠在搜索結果中考慮它。

　　機器學習有幾種方法。眾所周知的一種方法稱之為“深度學習”，其中大量數據來自多層人工神經網絡，這些算法受到解決復雜問題的大腦神經元結構的啟發，例如圖像中的物體識別。

　　機器學習的例子

　　機器學習的使用正在演變成各種各樣的應用，人們當今擁有的許多技術資源都基于人工智能和機器學習。

　　·自治數據庫 - 借助機器學習，自治數據庫處理以前由管理人員(DBA)執行的若干任務，允許這些專業人員處理其他活動，從而降低因為人為錯誤導致的應用程序不可用的風險。

　　·打擊支付系統中的欺詐行為 - 每秒都會產生各種信用卡欺詐和其他支付方式的嘗試。機器學習允許反欺詐系統在成功之前識別其中的大部分。

　　·文本翻譯——翻譯必須考慮場景、區域表達式和其他參數。由于采用機器學習，自動翻譯越來越精確。

　　·內容推薦——視頻和音頻流平臺使用機器學習來分析用戶查看或拒絕的內容的歷史記錄，以便為他們提供符合其意愿的建議。