机器学习，有时也称为计算智能，近年来已经突破了一些技术障碍，并在机器人、机器翻译、社交网络、电子商务，甚至医药和医疗保健等领域取得了重大进展。机器学习是人工智能的一个领域，其目标是开发学习计算技术以及构建能够自动获取知识的系统。学习系统是一种计算机程序，它通过成功解决过去的问题积累的经验做出决策。尽管应用时间不长，但是有许多不同的学习算法，该领域是计算领域最热门的领域之一，并且定期发布一些新的技术和算法。
许多人认为机器学习和人工智能的含义是一样的，但这并不十分准确。人工智能有几种定义，这其中包含机器学习的广泛概念。一个被广泛接受的定义是，人工智能由依赖人类行为来解决问题的计算机制组成。换句话说，技术使计算机就像人类一样“思考”来执行任务。
人类能够分析数据，发现其中的模式或趋势，从中进行更明智的分析，然后使用结论做出决策。在某种意义上，人工智能也遵循同样的原则。通常，人们完成任务越多，就越熟练。这是具有学习能力的结果。经常重复或执行相关程序对人们来说是一种培训。在人工智能系统中也会发生类似的事情：公开获取或记录在专用平台上的数据用作人工智能算法的培训。那么培训是如何完成的?为此目的有几种算法。这一切都取决于应用程序以及它们背后的组织或人员。在这里，最重要的是知道在这一点上机器学习是有意义的。
机器学习也是一个有多种定义的概念，但在其核心，机器学习是一个可以根据自身经验自主修改其行为的系统，其人为干扰很小。这种行为修改基本上包括建立逻辑规则，目的是提高任务的性能，或者根据应用程序做出最适合场景的决策。这些规则是根据分析数据中的模式识别生成的。
重要的是，系统必须根据大量数据进行分析，这是搜索者必须放弃的一个标准，因为他们接收了数百万次访问，因此这是一个培训标准。另一个方面是持续的数据输入，有利于识别新标准。假设“勇敢”这个词成为与文化运动相关的俚语，通过机器学习，搜索引擎将能够识别指向该术语的新含义的模式，并且在一段时间之后，将能够在搜索结果中考虑它。机器学习有几种方法。众所周知的一种方法称之为“深度学习”，其中大量数据来自多层人工神经网络，这些算法受到解决复杂问题的大脑神经元结构的启发，例如图像中的物体识别。
根据千讯咨询发布的《机器项目可行性研究报告》显示，机器学习的使用正在演变成各种各样的应用，人们当今拥有的许多技术资源都基于人工智能和机器学习。·自治数据库 - 借助机器学习，自治数据库处理以前由管理人员(DBA)执行的若干任务，允许这些专业人员处理其他活动，从而降低因为人为错误导致的应用程序不可用的风险。
通过标记示例训练监督学习算法，作为已知所需输出的输入。例如，设备可能具有标记为“F”(失败)或“E”(执行)的数据点。学习算法接收一组输入以及相应的正确输出，并通过将实际输出与正确输出进行比较来学习以发现错误。然后它修改结算模型。通过分类、回归和梯度增强等方法，监督学习使用标准来预测附加的非标记数据中的标签值。监督学习通常用于历史数据预测可能的未来事件的应用中。例如，它可以预测信用卡交易何时可能是欺诈性的，或者哪些投保人倾向于要求其政策。
非监督学习用于针对没有历史标签的数据。“正确答案”未向系统报告。算法必须找出所显示的内容。目标是探索数据并在其中找到一些结构。无监督学习适用于交易数据。例如，它可以识别具有相似属性的客户群，然后可以在营销活动中对其进行类似处理;或者它可以找到分隔不同客户群的关键属性。常用的技术包括自组织映射、邻近映射、k-均值分组和分解为奇异值。这些算法还用于分割文本主题、推荐项目和识别数据中的差异点。
半监督学习用于与监督学习相同的应用程序，但处理有标签和无标签的数据进行培训——通常是用大量无标签数据标记的少量数据(因为没有标签的数据更便宜，并且需要花费更少的精力来获取)。这类学习可用于分类、回归和预测等方法。当与标签相关的成本太高而无法实现完全标记的培训过程时，半监督学习非常有用。其典型例子包括在网络摄像头上识别人脸。
强化学习通常用于机器人、游戏和导航。有了它，算法通过尝试和错误发现，哪些行为会带来更大的回报。这种类型的学习有三个主要组成部分：代理(学习者或决策者)、环境(代理与之交互的所有内容)和行动(代理可以做什么)。目标是让代理选择在给定时间段内最大化预期回报的行动。如果代理遵循一个好的政策，可以更快地实现目标。因此，强化学习的重点是找出最佳策略。
数据挖掘可以被视为从数据中提取洞察力的许多不同方法的超集。它可能涉及传统的统计方法和机器学习。数据挖掘应用来自多个区域的方法来识别数据中先前未知的模式。这可能包括统计算法、机器学习、文本分析、时间序列分析和其他分析领域。数据挖掘还包括数据存储和操作的研究和实践。
通过机器学习，目的是了解数据的结构。因此，统计模型背后有一个理论是经过数学证明的，但这要求数据也满足某些假设。机器学习是从使用计算机检查数据结构的能力发展而来的，即使人们不知道这种结构是什么样子的。机器学习模型的测试是新数据中的验证错误，而不是证明空假设的理论测试。由于机器学习通常使用迭代的方法从数据中学习，因此可以轻松地自动学习。这些步骤通过数据执行，直到找到一个可靠的标准。
深度学习结合了计算能力的进步和特殊类型的神经网络，以学习大量数据中的复杂模式。深度学习技术是当今最先进的技术，用于识别图片中的对象和语音中的单词。研究人员正在尝试将模式识别方面的成功应用于更复杂的任务，例如机器翻译、医疗诊断以及许多其他社会和企业问题。尽管人工智能和机器学习的概念早已出现，但它们开始成为主流应用的一部分。但是，现在仍处于起步阶段。如果人工智能和机器学习有用并且令人印象深刻，当得到更好的训练和改进时，其实施将会更加有效。