本节书摘来自华章社区《R语言机器学习：实用案例分析》一书中的第2章，第2.1节理解机器学习，作者[印度] 拉格哈夫·巴利（Raghav Bali）迪潘简·撒卡尔（Dipanjan Sarkar），更多章节内容可以访问云栖社区“华章社区”公众号查看
2.1 理解机器学习
我们是不是被教导说，计算机系统需要编程才能完成特定任务？只有对它们进行编程的情况下，它们在完成任务时才可能快百万倍。我们必须对每一个步骤进行编程，然后才能使这些系统工作并完成任务。那么机器学习是不是一个非常矛盾的概念？
简单地说，机器学习指的是一种教授系统学习执行特定任务的方法，例如学习一个功能。尽管听起来很简单，但它有点混乱而又难以理解。感觉混乱的原因是，我们观察系统（特别是计算机系统）工作的方式与我们学习的方式是两种几乎没有交集的概念。更难以理解的原因是，虽然学习是人类固有的能力，但是很难用文字表达，更不用说教授给系统。
那么机器学习是什么呢？在我们试着回答这个问题之前，需要在哲学层面理解，机器学习不仅仅是一种编程方式。机器学习意味着很多内容。
有许多种描述机器学习的方法。延用我们前一章中提出的高层次的定义，让我们看一看1997年Tom Mitchell给出的定义：
“如果在经验E的帮助下，依据性能指标P度量的任务T的性能有了提升，则称计算机程序就任务T和性能指标P从经验E中学习。”
Tom Mitchell教授简介
他生于1951年，是美国计算机科学家，卡耐基–梅隆大学（Carnegie Mellon University，CMU）教授。他也是CMU机器学习系主任。他以在机器学习、人工智能和认知神经科学领域的贡献而闻名。他是各种机构的成员，例如人工智能进展协会。
现在，让我们尝试通过一个例子来理解这个简单而又强大定义的含义。假如我们想要建立一个系统来预测天气。对于当前的例子，系统的任务T是预测某个地方的天气。为了完成这个任务，它需要依靠以往的天气信息。我们将这称为经验E。系统的性能指标P用来衡量对任意一天的天气预测的好坏程度。因此，我们可以归纳为，如果一个系统在历史信息（或者称为经验E）的帮助下，能够更好地预测天气（或者称为提升它的性能P），则认为系统成功地学习了如何预测天气（或任务T）。
正如我们在上述例子中所看到的，这个定义不仅能帮助我们从工程的角度理解机器学习，也给我们提供了工具来量化这些术语。这个定义帮助我们了解到，学习一个特定任务涉及理解和处理以经验形式呈现的数据。它还提到，如果一个计算机程序进行学习，它的性能将在经验的帮助下得到提升，这和我们的学习方式非常相近。
