Machine Learning，经过几十年的发展，特别是近年来工业界的大规模应用和媒体界的推波助澜，得到越来越多人的关注，并且越来越多的人进入相关的行业，促进整个生态的发展。
从何处来？
机器学习(ML)是人工智能(AI)发展过程中逐渐形成的一种基于数据解决方案。AI是目标，ML是手段。因此不排除有其他手段达到AI的效果。
比如在ML前采用的是大量的人工规则，人工规则属于总结的先验知识，编码在系统中提供服务，对于复杂的情形，人工规则覆盖率太低。
而机器学习范式，通过数学模型，从历史数据中学习发现规律，从而解决现实问题。相对于人工规则，覆盖率高。
人工规则具有高准确性，而机器学习抖动性大(每次学习后，对于相同的数据，得出的结果可能不同)。工业上的系统，大都是流量金字塔模式，先经过人工规则，而后经过多级机器学习系统。
近年来深度学习(DL)如日中天，大有唯我独尊之势，是ML发展过程中形成的新范式。未来会出现什么新的物种，本人才疏学浅，未能想象的到。
以下是AI、ML、DL间的关系：
学习什么？
机器学习采用数据模型，从数据中，总结规律。那么，机器学习本质上到底在做什么呢？把模型看做是人脑，模型的参数是人脑中的知识；数据是经验，用于更新人脑中的知识。主观世界根据客观事实的改变而更新（对于人而言，"狗改不了吃屎"，机器学习也有类似的情形）。对于新的情形，人脑根据目前的知识做决策，机器学习根据目前的参数做决策。
机器学习系统
工业界搭建一个完整的机器学习系统，需要考虑多个方面问题，如下：
数据是搭建机器学习系统的前提，这也是为什么机器学习没有在全行业推广的原因。
工程是搭建机器学习系统的门槛，没有一个好的工程团队，运行大规模系统困难重重。
算法只是整个机器学习系统的一部分。在机器学习前，这一部分是人工规则，现阶段是人工规则 + 算法。
算力影响算法的迭代速度。
机器学习分类
机器学习，整体上分为监督学习、半监督学习、无监督学习、强化学习。
监督学习：监督学习是小学时代，全靠老师教，学生学。学生能学到多少，取决于学生的悟性，即模型的容量。
半监督学习：半监督学习是大学时代，老师指点 + 学生自学。
无监督学习：无监督学习是自学时代，全凭学生自己从实践中不断的悟。
强化学习：强化学习是智能时代，学生的每一次实践，都能得到客观世界的反馈，大脑依据每一次的反馈进行学习，进而影响下一次实践。
