机器学习是基于数据的人工智能（1980s-现在），机器学习能够通过学习例子来完成任务。
机器学习框架
-
通常是成对出现（Input-Correct_Output）
-
机器学习的常见情况：
* **分类(Classification)**： 医疗诊断： 从一个输出指向一些分类；* **回归（Regression）**：预测明天的天气：从一个输出到一个数字- 逻辑回归（Logistic Regression）: 存活几率：从一个输出到一个可能性
如何解决一个机器学习的问题
- 定义你的任务，考虑你的目标，比如是要决定是否允许贷款
- 考虑实际情况，比如你有多少数据，要花多少时间和努力
- 考虑输出的形式，是数字还是分类，是可能性还是一个计划
- 选择衡量表现的标准，比如损失函数或错误率
- 选择输入的形式
- 选择一系列的解决方法（假设空间）
- 选择或者设计一种学习算法
机器学习和统计的关系
从20世纪90年代中，人们开始慢慢了解统计和机器学习的关系。
-
统计：
* 数学的分支- 更多考虑是否正确
- 不太考虑计算的复杂性
-
机器学习：
* 信息技术或者人工智能的分支- 更看重是否能在实际中运用
- 不太考虑统计原理
- 如今，两者已经有效结合了，机器学习也常常称为“统计机器学习”。