概念：?
机器学习是一门涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多领域交叉的学科，是一门从数据中研究算法的科学学科，机器学习直白来讲，是根据已有的数据，进行算法选择，并基于算法和数据构建模型，最终对未来进行预测。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。机器学习就是一个模拟人决策过程的一种程序结构。
人对历史经验进行总结的过程与机器学习过程的对比：
机器学习的常见场景 ：
- 个性化推荐：个性化指的是根据各种因素来改变用户体验和呈现给用户内容，这些因素可能包含用户的行为数据和外部因素；推荐常指系统向用户呈现一个用户可能感兴趣的物品列表。
- ?精准营销：从用户群众中找出特定的要求的营销对象。
- 客户细分/用户画像系统：试图将用户群体分为不同的组，根据给定的用户特征进行客户分组。
- 预测建模及分析：根据已有的数据进行建模，并使用得到的模型预测未来。?
机器学习所涉及的相关领域：
机器学习、数据分析、数据挖掘之间的区别与联系：
- 数据分析：数据分析是指用适当的统计分析方法对收集的大量数据进行分析，并提取有用的信息，以及形成结论，从而对数据进行详细的研究和概括过程。在实际工作中，数据分析可以帮助人们做出判断；数据分析一般而言可以分为统计分析、探索性分析和验证数据分析三大类。
- 数据挖掘：一般指从大量的数据中通过算法搜索隐藏于其中的信息的过程。通常通过统计、检索、机器学习、模式匹配等诸多方法来实现这个过程。
- 机器学习：是数据分析和数据挖掘的一种比较常用、比较好的工具。
机器学习分类：
- 有监督学习：用已知某种或某些特性的样本作为训练集，以建立一个数学模型，再用已建立的模型来预测未知样本，此种方法被称为有监督学习，是最常见的一种机器学习方法。是从标签化训练数据集中推断出模型的机器学习任务。（相当于既有x又有y）
- 无监督学习：与监督学习相比，无监督学习的训练集中没有人为的标注的结果，在非监督的学习过程中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。（相当于只有x没有y）
- 半监督学习：考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题，是有监督学习和无监督学习的结合。
机器学习算法的类别：
- 分类：通过分类模型，将样本数据集中的样本映射到某个给定的类别中（在模型构建之前，类别信息已经确定了。） ?
- 聚类：通过聚类模型，将样本数据集中的样本分为几个类别，属于同一类别的样本相似性比较大? 。
- 回归：反映了样本数据集中样本的属性值的特性，通过函数表达样本映射的关系来发现属性值之间的依赖关系。
- 关联规则：获取隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现频率。
机器学习、人工智能和深度学习的关系：
三者关系最简单的方法，就是把它们看成一个同心圆，人工智能是最大的一个圆，此概念是最先问世的；然后是机器学习，出现的稍晚；最后才是深度学习，处于前两者的范围之内。
深度学习是机器学习的子类；深度学习是基于传统的神经网络算法发展到多隐层的一种算法体现。
机器学习是人工智能的一个子类。
机器学习的开发流程：
- 数据收集
- 数据预处理
- 特征提取
- 模型构建
- 模型预测评估
- 模型部署与整合
- 迭代优化?
机器学习的一般流程——生活案列：
?