2.1 定义
机器学习（Machine Learning）是一种人工智能（AI）的分支，它是通过计算机系统从数据中学习和改进执行特定任务的能力，而无需明确编程指令。换句话说，机器学习使得计算机可以通过数据的模式和规律，自动提取特征和知识，并在未来面对新的数据时做出合理的决策。
传统的程序设计中，程序员需要编写明确的规则和算法，以指导计算机完成特定任务。但在机器学习中，我们提供给计算机的是一组训练数据，包含输入和对应的输出结果。计算机通过对这些数据进行学习，找到数据中的模式和规律，从而能够在未来的数据中进行预测或分类。
机器学习任务可以分为以下几类：
监督学习（Supervised Learning）：在监督学习中，我们向计算机提供带有标签的训练数据，也就是输入数据和对应的正确输出。计算机通过学习这些数据来建立输入和输出之间的映射关系，从而能够预测未标记数据的输出。
无监督学习（Unsupervised Learning）：在无监督学习中，我们向计算机提供没有标签的训练数据，计算机需要自主地发现数据中的结构和模式。无监督学习常用于聚类、降维和异常检测等任务。
强化学习（Reinforcement Learning）：强化学习是一种通过尝试和错误来学习最佳决策策略的学习方法。在强化学习中，计算机代理根据环境的反馈（奖励或惩罚）不断调整策略，以最大化累积的奖励。
2.2 解释
我们人从大量的日常经验中归纳规律，当面临新的问题的时候，就可以利用以往总结的规律去分析现实状况，采取最佳策略。
从数据（大量的猫和狗的图片）中自动分析获得模型（辨别猫和狗的规律），从而使机器拥有识别猫和狗的能力。基于tensorflow深度学习的猫狗分类识别
从数据（房屋的各种信息）中自动分析获得模型（判断房屋价格的规律），从而使机器拥有预测房屋价格的能力。基于随机森林模型对北京房价进行预测
————————————————
版权声明：本文为CSDN博主「艾派森」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/m0_64336780/article/details/1320644052.3 数据集构成
结构：特征值+目标值
