什么是机器学习：
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。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。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
机器学习的分类：
1.有数据和标签的监督学习
2.只有数据没有标签的非监督学习
3.半监督学习
4.从经验中总结提升的强化学习
5.和强化学习类似的 适者生存，不适者淘汰的遗传算法
机器学习十大算法
(https://blog.csdn.net/jrunw/article/details/79205322)
机器学习的主要应用领域？
• 金融业：从海量数据中找到“欺诈案例”，如信用卡反诈骗，识别虚假信贷
• 网络安全：从流量数据中找到“侵入者”，识别新的网络入侵模式
• 在线零售：从交易数据中发现“恶意买家”，比如恶意刷评等
• 生物基因：从生物数据中检测“病变”或“突变”
为什么要用机器学习解决问题？
1.目前处于大数据时代，到处都有成T成P的数据，简单规则处理难以发挥这些数据的价值；
2.廉价的高性能计算，使得基于大规模数据的学习时间和代价降低；
3.廉价的大规模存储，使得能够更快地和代价更小地处理大规模数据；
4.存在大量高价值的问题，使得花大量精力用机器学习解决问题后，能获得丰厚收益。
机器学习和人分析问题类似
机器学习与人工智能、深度学习三者之间的关系？
神经网络 : 梯度下降 (Gradient Descent in Neural Nets)
误差方程
在蓝点处做的切线方向就是梯度最低方向，沿着这个下降方向继续下降
如果w为两个，可以用一个3D图像来表示
同时，你的误差方程不可能和你想象中的一样优雅，出现下图这样的情况，同时具有全局最优解和局部最优解，但是不用担心，神经网络可以让你的局部最优解变的足够优秀。
