机器学习是指机器通过统计学算法，对大量历史数据进行学习，进而利用生成的经验模型指导业务。它是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

目前机器学习主要应用在以下场景：

(资料图)

•营销类场景：商品推荐、用户群体画像或广告精准投放。

•金融类场景：贷款发放预测、金融风险控制、股票走势预测或黄金价格预测。

•社交网络服务关系挖掘场景：微博粉丝领袖分析或社交关系链分析。

•文本类场景：新闻分类、关键词提取、文章摘要或文本内容分析。

•非结构化数据处理场景：图片分类或图片文本内容提取。

•其它各类预测场景：降雨预测或足球比赛结果预测。

机器学习包括传统机器学习和深度学习。传统机器学习分为以下几类：

•有监督学习(Supervised Learning)：每个样本都有对应的期望值，通过搭建模型，实现从输入特征向量到目标值的映射。例如解决回归和分类问题。

•无监督学习(Unsupervised Learning)：所有样本没有目标值，期望从数据本身发现一些潜在规律。例如解决聚类问题。

•增强学习(Reinforcement Learning)：相对比较复杂，系统和外界环境不断交互，根据外界反馈决定自身行为，达到目标最优化。例如阿尔法围棋和无人驾驶。

机器学习的核心是“使用算法解析数据，从中学习，然后对新数据做出决定或预测”。也就是说计算机利用以获取的数据得出某一模型，然后利用此模型进行预测的一种方法，这个过程跟人的学习过程有些类似，比如人获取一定的经验，可以对新问题进行预测。

我们举个例子，我们都知道支付宝春节的“集五福”活动，我们用手机扫“福”字照片识别福字，这个就是用了机器学习的方法。我们可以为计算机提供“福”字的照片数据，通过算法模型机型训练，系统不断更新学习，然后输入一张新的福字照片，机器自动识别这张照片上是否有福字。