机器学习训练算法来发现数据中的模式并进行预测。它无需编写明确的规则，而是向算法输入示例。算法会学习输入和输出之间的关系，然后将这些学习应用于新的数据。垃圾邮件过滤器会从数百万封已标记的电子邮件中学习。推荐引擎会从用户行为中学习。欺诈模型会从历史交易中学习。随着数据量的增加，算法会不断改进，但改进是有极限的。

主要类型包括监督学习、无监督学习和强化学习。监督学习使用已标记的数据。算法学习如何将输入映射到已知的输出。分类预测类别。回归预测数值。无监督学习在未标记的数据中寻找结构。聚类将相似的记录分组。降维简化复杂数据。强化学习通过试错训练智能体，奖励好的行为，惩罚坏的行为。它为游戏系统和机器人技术提供支持。每种类型都适用于不同的问题。训练数据的质量决定了模型的质量。有偏差的数据会产生有偏差的预测。不完整的数据会产生不可靠的预测。过拟合是始终存在的风险。记忆训练数据的模型在新数据上的表现很差。正则化、交叉验证和更多的数据有助于改善过拟合。机器学习功能强大但也很脆弱。它会发现模式，包括不应该存在的模式。

机器学习类型

• 监督学习——标记数据、分类和回归
• 无监督学习——未标记数据、聚类和降维
• 强化——通过奖励进行试错
• 深度学习——具有多层结构的神经网络

机器学习是大规模的模式识别。模式的质量取决于生成该模式的数据的质量。