简述和表述
机器自学（Machine Learning，ML）是两门多领域研究课题，牵涉数理逻辑、语言学、软件工程等Vaubecourt学科专业。
Mitchell 在1997得出了一个五感表述：假定用P（Performace）来评估结果计算机系统业务流程在一般而言各项任务T（Task）上的操控性，若一个业务流程透过利用经验E（Experience）在T中各项任务上获得了操控性改善，则我们就说关于T和P，该业务流程对E展开了自学。机器自学的过程就是计算机系统透过输出大批的统计数据展开体能训练可视化，数学模型自学到统计数据的规律性，再对新输出的统计数据展开进行分类或预估。
自学业务流程如下表所示图：
应用领域情景
网络发展经历了快速成长期，统计信息量猛增，累积了各行业大批的统计数据，同时也促进了机器自学的应用领域，大家津津乐道的智能化推荐控制系统、电视广告控制系统、流氓软件过滤器、人脸（广度自学）、音频副手、输出法、腾讯/google搜寻、准确网络营销……
1、准确网络营销：透过采用者肖像和采用者行为统计数据等，实现特别针对采用者的网络营销活动，使整体而言更高；比如说有些人时常收到网银网络营销电话号码。
2、输出法：能依照采用者的严重错误输出展开修改以及预估你要输出什么样文本；
3、流氓软件过滤器：对电子邮件展开过滤器处置，辨识流氓软件展开处置。
甚么情景下采用机器自学？
目前机器自学成为补救的强悍辅助工具，但绝非所有难题都能透过机器自学来化解，机器自学须要在恰当的情景下采用，并且是须要有统计数据支撑力的。
难道机器自学能够补救，应该在甚么情景下采用呢？
1、须要有大批的统计数据支撑力，统计信息量越大，体能训练出来的数学模型准确度越高。
2、数人难以准确归纳出统计数据之间的关联关系或者统计信息量巨大难以处置各项任务时，但校正统计数据中的因素确实又会影响结果，往往能采用机器自学技术化解这些难题。
比如说：能依照采用者肖像和采用者行为记录能展开商品推荐；透过自学依照图片像素辨识图像属于甚么动物；网银欺诈等等；
人工智能化与机器自学
很多刚开始自学机器自学的人会感到疑惑，人工智能化（AI）、机器自学（Machine Learning，ML）、广度自学（Deep Learning，DL）、计算机系统视觉（CV）、自然语言处置（NLP）这些之间底是甚么关系？
关系如下表所示图所示：
人工智能化包括了机器自学、计算机系统视觉、自然语言处置、广度自学。机器自学是人工智能化的一个子方向，广度自学是机器自学的一类，机器视觉和自然语言处置是人工智能化领域的两个具体应用领域方向，一般都会牵涉到广度自学，所以这些都绕不开机器自学，机器自学也是人工智能的基础。
自学路径和方法
初学机器自学，很多人不知道怎么入门，有时候自学一个月了还区分不清甚么是进行分类，甚么是回归？觉得一头雾水，重新自学下数学知识、统计知识？迟迟能入门。
出现这种现象很正常，开始就说了机器自学是两门多领域研究课题，牵涉到的概念确实比较多，一串串代码再加上看不懂的数学公式和似懂非懂高深的理论，入门确实成了一个门槛。
1、首先自学机器自学要有耐心，一口吃不成胖子。
2、掌握Python编程语言，Python在机器自学中用的多些，因为其相关的三方库非常丰富。
3、找一本适合自己的机器自学书籍或教程，先从头到尾通学一遍，了解算法、可视化业务流程、评估结果函数、特征工程、统计数据处置等这些概念后，再回头学机器自学会发现会更轻松些，高深的数学理论和公式先不要过多的去研究，理解就好，能在后续的自学中持续深入。
4、优质有效的自学资源:sklearn官网、Pytorch官网、github网站、kaggle网站
