为什么机器可以学习呢？大神们认为，人之所以可以学习是因为大脑中无数的神经元连接在一起可以共同记忆，处理各种信息，并根据这些信息作出推论。随着科技的进步，这些功能貌似机器也可以有条件进行模拟了。所以让机器进行学习的课程也摆上了桌面。
机器学习的方法：机器学习的过程实际上是算法的实现。目前算法可以分为4-5类。如果我们不断向机器提供样本和样本值，比如不断给机器看各种形态的猫和狗的图片，让计算机记住哪些是猫哪些是狗。加入算法后，计算机就可以根据以前看过的图片的特征推算出新图片里的动物到底是猫还是狗。感觉是不是和人的处理方式有些相似了呢？接下来介绍下机器学习的不同种类。
监督学习（supervised learning）像上述例子中，让机器记住哪些图片对应哪些标签，并根据这些标签对应上图片上对代表的物体。这种方式就叫做“监督学习”。像房价的预测等我们都可以通过监督学习方式让机器来完成相应的工作。
非监督学习（un-supervised learning）继续上面的例子，当我们向机器提供图片时，不为这些图片提供标签，也就是不告诉机器图片中对应的是什么物体，而靠机器自己去总结出图片的不同之处。这种方式就叫做“非监督学习”。
半监督学习（semi-supervised learning）还有一种学习方式结合了“监督学习”和“非监督学习”的特性，我们称之为“半监督学习”。这种方式主要是利用少量有标签的样本和大量没有标签的样本进行训练和分类，最终达到学习的目的。
强化学习（reinforcement learning）在规划机器人行为准则方面，有一种学习方式叫“强化学习”。也就是让机器人到一个没有接触场景中，它会自己尝试去怎样解决问题或适应这这个陌生的场景。比如把机器人放到一个迷宫中，机器人会自己尝试找到出来的路线。开始可以会失败很多次，但成功后，它就能记住这个正确的路线，达到学习的目的。
遗传算法（genetic algorithm）遗传算法与强化学习比较相似。它是模拟进化论的理论，讲求优胜劣汰的原则，把不好的淘汰掉，留下最合适的。比如要训练一个投篮机器人，告诉它投进了可以得一分，没投进不得分。开始的方式命中率不高，后来发现一种较高命中率的，就把第一种投篮方式淘汰掉，再找到更好的，又会把之前较好的方式淘汰掉。这样就和我们人类进化一样，机器也能不断的进化。
总结：以上就是机器学习的一些基本概念。如果想要学习好机器学习是什么，还要很长的路要走。以后我会更加深入的来介绍机器学习的各种实例，使大家能够把机器学习应用到自己的学习工作中。