機器學習算法:
機器學習是壹門交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜性理論等諸多學科。
它著眼於計算機如何模擬或實現人類的學習行為，從而獲得新的知識或技能，並重組已有的知識結構，以不斷提高自身的性能。它是人工智能核心，也是使計算機智能化的根本途徑。
機器學習是壹個跨學科的專業，涵蓋概率論、統計學、近似理論、復雜算法等知識。它以計算機為工具，致力於實時模擬人類的學習方法，將已有的內容劃分為知識結構，有效提高學習效率。
機器學習有以下定義:機器學習是人工智能的壹門科學，該領域的主要研究對象是人工智能，尤其是如何在經驗學習中提高特定算法的性能。
機器學習是對可以通過經驗自動改進的計算機算法的研究。機器學習是利用數據或過去的經驗來優化計算機程序的性能標準。
機器學習實際上已經存在了幾十年，或者可以認為已經存在了幾個世紀。追溯到17世紀，貝葉斯和拉普拉斯對最小二乘法的推導和馬爾可夫鏈構成了機器學習廣泛使用的工具和基礎。
從1950(艾倫·圖靈提出建立學習機器)到2000年初(有深度學習的實際應用和最近的進展，比如2012的AlexNet)，機器學習有了很大的進步。
自20世紀50年代機器學習研究以來，不同時期的研究方法和目標不同，大致可以分為四個階段。
機器學習是研究如何利用計算機模擬或實現人類學習活動的科學，是人工智能中最智能、最前沿的研究領域之壹。
自20世紀80年代以來，機器學習作為實現人工智能的壹種方式，在人工智能領域引起了廣泛的興趣。尤其是最近十年，機器學習領域的研究工作發展迅速，已經成為人工智能的重要課題之壹。
機器學習不僅應用於基於知識的系統，還廣泛應用於自然語言理解、非單調推理、機器視覺、模式識別等領域。
壹個系統是否具有學習能力，已經成為“智能”的標誌。
機器學習的研究主要分為兩個研究方向:第壹是傳統機器學習的研究，主要研究學習機制，註重探索模擬人的學習機制。
第二類是大數據環境下的機器學習研究，主要研究如何有效利用信息，註重從海量數據中獲取隱藏的、有效的、可理解的知識。