机器学习是专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习能解决的问题：1、分类问题；2、回归问题；3、聚类问题。
本教程操作环境：windows7系统、Dell G3电脑。
什么是机器学习？
机器学习就是对计算机一部分数据进行学习，然后对另外一些数据进行预测与判断。
机器学习的核心是“使用算法解析数据，从中学习，然后对新数据做出决定或预测”。也就是说计算机利用以获取的数据得出某一模型，然后利用此模型进行预测的一种方法，这个过程跟人的学习过程有些类似，比如人获取一定的经验，可以对新问题进行预测。
我们举个例子，我们都知道支付宝春节的“集五福”活动，我们用手机扫“福”字照片识别福字，这个就是用了机器学习的方法。我们可以为计算机提供“福”字的照片数据，通过算法模型机型训练，系统不断更新学习，然后输入一张新的福字照片，机器自动识别这张照片上是否有福字。
机器学习是一门多领域交叉学科，涉及概率论、统计学、计算机科学等多门学科。机器学习的概念就是通过输入海量训练数据对模型进行训练，使模型掌握数据所蕴含的潜在规律，进而对新输入的数据进行准确的分类或预测。如下图所示：
机器学习能解决什么样的问题？
从功能的角度分类，机器学习在一定量级的数据上，可以解决下列问题：
1、分类问题：根据数据样本上抽取出的特征，判定其属于有限个类别中的哪一个。比如：垃圾邮件识别(结果类别：1、垃圾邮件 2、正常邮件)。
2、回归问题：根据数据样本上抽取出的特征，预测一个连续值的结果。比如：星爷《美人鱼》票房
3、聚类问题：根据数据样本上抽取出的特征，让样本抱抱团(相近/相关的样本在一团内)。比如：google的新闻分类。
我们再把上述常见问题划到机器学习最典型的2个分类上。
分类与回归问题需要用已知结果的数据做训练，属于“监督学习”
聚类的问题不需要已知标签，属于“非监督学习”。
如果在IT行业(尤其是互联网)里溜达一圈，你会发现机器学习在以下热点问题中有广泛应用：
更多相关知识，请访问常见问题栏目！
