4.1.1 机器学习定义
机器学习是人工智能的一个子集，在人工智能中，计算机模型经过训练，可以随着时间的推移从其行为和环境中学习，以此表现得更好。1959年，Checkers的创始人亚瑟·塞缪尔（Arthur Samuel）将机器学习定义为一个“赋予计算机学习能力而无需明确编程的研究领域”。机器学习起源于模式识别理论，即计算机可以在没有编程的情况下进行学习来执行特定的任务，也就是说，系统可以在没有明确编程的情况下进行学习。因此，学习是由数据驱动的，通过学习信号或反馈的性质做出有效决策的能力获得智能；根据目标评估这些决策的效用。机器学习是数据挖掘的基础，能够推断数据的相关性。目标是模仿人类的学习能力，通过经验，在没有或很少有外部（人类）帮助的情况下完成所分配的任务。
就像人类学习一样，机器学习由许多方法组成。在最基本的情况下，首先，记住事物；其次，从提取信息中学习（通过阅读、聆听、学习新事物）；最后，从例子中学习。
传统的软件和机器学习的区别是：虽然传统的软件工程和机器学习有一个共同的目标，即解决一个或一组问题，但传统的软件工程或编程是指将任务通过编程语言转变为自动化的可执行程序，以便程序在给定输入的情况下提供输出。换句话说，写一个函数f，给定输入x，输出y=f（x）。这是通过逻辑结构完成的，通常是if…else语句、while循环和布尔运算符。机器学习不是提供有关函数f的指令，而是向计算机提供输入x和输出y，并期望确定或预测函数f。
传统程序是由程序员编写来解决问题，而机器学习程序则通过推理来从示例、规则和信息中学习到知识，并运用知识来解决问题。由于在机器学习中我们可以使用统计和概率的相关知识，所以机器学习还可以帮助解决不确定性问题。模型可以从以前的计算或经验中学习，以产生可靠、可重复的决策和结果。例如，现在互联网上的信息、数据的数量呈快速增长，使工程师们能够认识到机器可以学习我们的爱好，并根据我们的需求进行个性化。如果仔细观察，机器学习在网络搜索排名、偏好和社交网络订阅的个性化、音乐推荐、物流、网页设计、自动驾驶汽车、冰箱、洗衣机、电视和虚拟助手等应用中随处可见。现在很多软件如抖音等都能根据用户的喜好来为用户推荐视频。