電腦沒有接管，但他們每天都變得更聰明
最簡單的說，機器學習（ML）是機器（計算機）的編程，因此它可以通過使用和分析數據 （信息）獨立執行該任務來執行所請求的任務， 而無需來自人類開發人員的額外特定輸入 。
機器學習101
“機器學習”一詞是1959年在IBM實驗室由人工智能 （AI）和電腦遊戲的先驅亞瑟塞繆爾創造的。 因此，機器學習是人工智能的一個分支。 塞繆爾的前提是顛倒時間的計算模型，停止向計算機學習東西。
相反，他希望計算機自己開始計算事情，而不需要輸入甚至最小的信息。 然後，他認為，電腦不會執行任務，但最終可以決定執行哪些任務以及何時執行任務。 為什麼？ 因此，計算機可以減少人類在任何特定領域需要完成的工作量。
機器學習的工作原理
機器學習通過使用算法和數據來工作。 算法是一組指令或準則，用於告訴計算機或程序如何執行任務。 ML中使用的算法收集數據，識別模式，並使用數據分析來調整自己的程序和功能以完成任務。
ML算法使用規則集，決策樹，圖形模型，自然語言處理和神經網絡（僅舉幾例）來自動化處理數據以做出決策和執行任務。 雖然ML可能是一個複雜的話題，但Google的可教育機器提供了一個簡單的動手演示ML如何工作。
今天使用的最強大的機器學習形式稱為深度學習 ，它基於大量的數據構建了一個稱為神經網絡的複雜數學結構。 神經網絡是ML和AI中的算法集合，其模仿人類大腦中的神經細胞和神經系統處理信息的方式。
人工智能與機器學習與數據挖掘
為了最好地理解AI，ML和數據挖掘之間的關係，有必要考慮一組不同尺寸的雨傘。 人工智能是最大的保護傘。 ML傘尺寸較小，可放在AI傘下。 數據挖掘傘是最小的，適合ML傘下。
- 人工智能是計算機科學的一個分支，旨在通過使用基於人類智能的推理和決策技術，使計算機能夠以更“智能”和“類人”的方式執行任務。
- ML是人工智能中的一類計算機，專注於編程機器（計算機）以學習（收集必要的數據或示例），以更自動化的方式進行數據驅動的智能決策。
- 數據挖掘使用統計信息，ML，AI和大量信息數據庫來查找模式，提供洞察，創建分類，識別問題並提供詳細的數據分析。
機器學習可以做什麼（並且已經做到了）
計算機在幾分之一秒內分析大量信息的能力使ML在許多行業中非常有用，其中時間和準確性至關重要。
- 醫學： ML技術正在為醫療領域提供一系列解決方案，包括幫助急診科醫生更快診斷患有不尋常症狀的患者。 醫生可以將病人的症狀列表輸入程序並使用ML，該程序可以從醫學文獻和互聯網上掃描數万億兆字節的信息，以返回可能的診斷列表並建議在創紀錄的時間內進行測試或治療。
- 教育： ML被用於創建適合學生學習需求的教育工具，例如虛擬學習助手和更具交互性的電子教科書。 這些工具使用ML來發現學生使用短測驗和練習練習所理解的概念和技能。 然後，這些工具提供短視頻，附加示例和背景材料，以幫助學生學習所需的技能或概念。
- 汽車： ML也是自動駕駛汽車（也稱為無駕駛汽車或自動駕駛汽車）新興領域的關鍵組成部分。 運行自動駕駛汽車的軟件在現實道路測試和模擬過程中使用ML來檢測道路狀況（如結冰道路）或識別道路障礙並學習適當的駕駛任務以安全駕駛這些情況。
你可能已經很多次遇到ML而沒有意識到它。 ML技術的一些更常見的用途包括實際的語音識別（ 三星的Bixby ，蘋果的Siri ，以及現在在PC上標準化的許多對話文本程序），為您的電子郵件過濾垃圾郵件，構建新聞源，檢測欺詐，個性化購物推薦，並提供更有效的網絡搜索結果。
ML甚至會涉及您的Facebook供稿。 當你喜歡或經常點擊朋友的帖子時，幕後算法和ML會隨著時間的推移從你的行為中“學習”，以優先考慮你的新聞動態中的某些朋友或頁面。
什麼機器學習不能做
但是，ML可以做什麼是有限的。 例如，在不同行業中使用ML技術需要人工進行大量的開發和編程，以專門針對該行業所需任務類型的程序或系統。 例如，在我們上面的醫療例子中，急診科使用的ML程序是專門為人類醫學開發的。 目前不可能採取確切的計劃，並直接在獸醫急救中心實施。 這種過渡需要人類程序員進行廣泛的專業化和開發，以創建一個能夠完成獸醫或動物醫學任務的版本。
它還需要難以置信的大量數據和示例來“學習”制定決策和執行任務所需的信息。 毫無疑問，ML程序在數據解釋和象徵主義鬥爭以及數據結果中的某些類型關係（如原因和結果）方面也非常符合實際。
然而，持續的進步使ML更多地成為每天創造更智能電腦的核心技術。