机器学习（Machine Learning）是人工智能的核心分支，它通过让计算机从数据中自动学习模式和规律，从而无需显式编程就能做出预测或决策。机器学习的本质是让算法从经验（数据）中自我改进，核心能力包括分类、回归、聚类和强化学习，广泛应用于图像识别、自然语言处理、推荐系统等领域。 其三大类型为监督学习（有标签数据）、无监督学习（无标签数据）和半监督/强化学习，关键在于模型选择、特征工程与数据质量。
【常见问题】
问题1：machine learning和深度学习有什么区别？
回答1：machine learning是更广泛的概念，涵盖所有让计算机从数据中学习的方法；深度学习是machine learning的一个子集，基于多层神经网络，尤其擅长处理图像、语音等复杂非结构化数据。简单说，所有深度学习都是machine learning，但并非所有machine learning都是深度学习。
问题2：学习machine learning需要什么基础？
回答2：学习machine learning需要掌握基本的数学基础，包括线性代数、概率统计和微积分，同时需要编程能力（如Python）和数据预处理知识。此外，理解监督学习、无监督学习等核心概念是入门的关键，建议从经典算法如线性回归、决策树开始实践。
问题3：machine learning在实际项目中的典型应用有哪些？
回答3：machine learning的典型应用包括电商推荐系统（如亚马逊、淘宝）、金融风控（欺诈检测）、医疗影像诊断、自动驾驶中的目标识别、语音助手（如Siri）以及自然语言处理中的机器翻译。这些应用都依赖machine learning算法从海量数据中提取模式并做出精准决策。