机器学习（Machine Learning）是从人工智能（AI）中发展出来的一个领域，机器学习的几个比较重要的应用有：
- 数据挖掘（Database mining）
- 我们无法手动编写的程序（Application can't by hand）（如自然语言处理、计算机视觉、直升机自动驾驶）
- 量身定制的程序（self-customizing programs）（网易云音乐的喜好推荐）
- 理解人类的学习过程和大脑（understanding human learning）
对于机器学习的定义如下：
Tom Mitchell(1998):
Well-posed Learning problem:A computer program is said to learn from experience E with respect to some task T and some performance measure P,if its performance on T,as measured by P,improves with experience E.
即：计算机程序从经验E中学习，解决某一任务T，进行某一性能度量P，通过P测定在T上的表现因经验E而提高。
用跳棋游戏来举例，一个跳棋程序通过几千几万次与自己进行跳棋游戏，根据每次与对手对弈时赢的概率得出最好的下棋策略，那么
E——程序与自己进行几万次游戏
T——玩跳棋
P——与新对手玩跳棋赢的概率
机器算法可分为：监督学习（supervised learning）与无监督学习（unsupervised learning）。
监督学习（supervised learning）指：通过已知的（正确的）数据，来使用算法预测并得出“正确答案”。
而监督学习较典型的问题有：回归问题（regression problem）与分类问题（classification problem）。
其中回归问题的回归是指我们的目标是预测一个连续值输出，而分类问题的目的是预测离散值的输出。
无监督学习（unsupervised learning）指：通过给大量无类型、无归类的数据，要求找出数据的类型结构。
例如聚类算法（clustering algorithm），使用聚类算法的目的是将同类型的数据放在一起，如社交网络分析（social network analysis）——用来分析某用户联系最频繁的人，从而找出同一朋友圈的人。
监督学习与无监督学习的区别在于，监督学习已给出的数据有确定的类型（如某肿瘤为良性肿瘤或恶性肿瘤），通过大量的已知数据，来判定某一未知数据的性质；而无监督学习只给出了数据的特点，并没有确定其性质的划分，目的是通过给出的大量无类型数据，将这些数据根据特点划分到适合的群组中。