百度百科：
機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。
它是人工智能核心，是使計算機具有智能的根本途徑。
基本概念
機器學習的基本思路：
- 把現實生活中的問題抽象成數學模型，并且很清楚模型中不同參數的作用
- 利用數學方法對這個數學模型進行求解，從而解決現實生活中的問題
- 評估這個數學模型，是否真正的解決了現實生活中的問題，解決的如何？
定義：
機器學習是計算機科學的一個分支，在這個領域中，機器能夠學著執行那些沒有被顯式編程的任務；
簡而言之，機器觀察某項任務中存在的模式，并試圖以某種直接或間接的方式模仿它；
通過訓練集，不斷識別特征，不斷建模，最后形成有效的模型，這個過程就叫“機器學習”；
分類
監督學習：對數據集進行轉換；監督學習是指我們給算法一個數據集，并且給定正確答案。機器通過數據來學習正確答案的計算方法。比如準備一堆貓狗照片，打上標簽，這些標簽就是“正確答案”，機器通過大量學習，就可以學會在新照片中認出貓和狗。
機器學習的大部分工作都是訓練某種監督分類器。
非監督學習：對數據進行分組；非監督學習中，給定的數據集沒有“正確答案”，所有的數據都是一樣的。無監督學習的任務是從給定的數據集中，挖掘出潛在的結構。比如準備一堆貓狗照片，不給任何標簽，希望機器能夠將這些照片分分類。非監督學習雖然把貓狗分成兩類，但是機器并不知道哪個是貓，哪個是狗。對于機器來說，相當于分成了 A、B 兩類；
機器學習實操步驟
● 收集數據
● 數據準備
● 選擇一個模型
● 訓練
● 評估
● 參數調整
● 預測（開始使用）
經典機器學習算法
人工智能、機器學習、深度學習的關系
深度學習基礎介紹
待更新
參考
–《深度學習圖解》[安德魯.特拉斯克]
