機器學習概念：

機器學習是一門從數據中研究算法的科學學科。機器學習直白來講，是根據已有的數據，進行算法選擇，並基於算法和數據構建模型，最終對未來進行預測。來看看大佬對機器學習的定義吧，美國卡內基梅隆大學（Carnegie Mellon University）機器學習研究領域的著名教授TomMitchell對機器學習的經典定義如下：

對於某給定的任務T，在合理的性能度量方案P的前提下，某計算機程序可以自主學習任務T的經驗E；隨著提供大量、合適、優質的經驗E，該程序對於任務T的性能會逐步提高。
其中重要的機器學習對象：

• 任務Task T，一個或多個
• 經驗Experience E
• 度量性能Performance P。

我們期望隨著任務的不斷執行，經驗的累積會帶來計算機性能的提升。

機器學習的應用場景：

• 個性化推薦：（電商商品推薦，好友推薦等）個性化指的是根據各種因素來改變用戶體驗和呈現給用戶內容，這些因素可能包含用戶的行為數據和外部因素；推薦常指系統向用戶呈現一個用戶可能感興趣的物品列表。
• 精準營銷：（DMP，基於用戶的歷史行為，給用戶推薦各種產品）從用戶群眾中找出特定的要求的營銷對象。
• 客戶細分：試圖將用戶群體分為不同的組，根據給定的用戶特征進行客戶分組。比如說，用戶分為VIP、高級VIP等，劃分粒度和具體場景有關
• 預測建模及分析：根據已有的數據進行建模，並使用得到的模型預測未來。

機器學習主要領域：

• 計算機視覺（視頻，圖像處理）
• 語音識別（聲音處理）
• 自然語言處理（文本處理）

人工智能、機器學習、深度學習之間的關系？

• 機器學習是人工智能的一個子類；
• 深度學習是機器學習的子類；
• 深度學習是基於傳統的神經網絡算法發展到多隱層的一種算法體現。

機器學習、數據分析、數據挖掘區別與聯系？

• 數據分析：數據分析是指用適當的統計分析方法對收集的大量數據進行分析，並提取有用的信息，以及形成結論，從而對數據進行詳細的研究和概括過程。在實際工作中，數據分析可幫助人們做出判斷；數據分析一般而言可以分為統計分析、探索性數據分析和驗證性數據分析三大類。
• 數據挖掘：一般指從大量的數據中通過算法搜索隱藏於其中的信息的過程。通常通過統計、檢索、機器學習、模式匹配等諸多方法來實現這個過程。
• 機器學習：是數據分析和數據挖掘的一種比較常用、比較好的手段。

機器學習常用框架：

• Python：sciket-learn() http://scikit-learn.org/stable/
• Spark(java、scala、Python、R)：http://spark.apache.org/
• TensorFlow
• Mahout：http://mahout.apache.org/

機器學習概念