什么是机器学习？
机器学习不过是编写从其过去的经验中学到的软件程序。 如果计算机程序从过去的经验中提高了性能，那么我们可以说该程序已经学习了。 我们可以教计算机从数据中学习。
让我们尝试通过一个猫和狗的例子来理解这一点。
我们希望我们的机器区分猫和狗。 因此，我们将逐一提供一些数据，例如图像，并介绍有关猫和狗的知识。
我们的机器本身将尝试分析和识别一些模式以区分两者，并将这些模式存储为数值。 因此，每当我们要求我们的机器将来识别猫/狗时，它都应该能够在存储的数据中找到最佳匹配并告诉我们结果。 但是，可能会有错误。 因此，数据越多，我们的机器将能够做出更好的预测。
机器学习无需显式编码即可使我们的任务变得更加简单。
机器可以通过多种方式学习：
1. 监督学习
在这种类型的学习中，我们使用标记的数据集训练机器，然后机器预测并为我们提供新数据集的标签。
示例 ：预测垃圾邮件。
2. 无监督学习
在无监督学习算法中，我们将未标记的数据集提供给我们的机器，并且它尝试分析和查找数据集中的模式。
示例：将在线购物者细分为表现出类似行为的集群。
3. 强化学习
强化学习使我们的机器可以通过奖励系统进行学习。 这使机器可以确定特定上下文中的理想行为，以使性能最大化。 需要简单的奖励反馈以从行为中学习，这被称为强化信号。
示例：电脑玩象棋这样的棋盘游戏。
感谢您的阅读！
