机器学习是一门多学科交叉专业，涵盖概率论知识、统计学知识、近似理论知识和复杂算法知识，它使用计算机作为工具并致力于真实、实时地模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。机器学习对研究问题进行模型假设，利用计算机从训练数据中学习得到模型参数，并最终对数据进行预测和分析。它可以在以下一些场景得到使用。
内容生成：根据需要，生成主题相关的文字、图片、视频、音频内容。
营销类场景：商品推荐、用户群体画像或广告精准投放。
金融类场景：贷款发放预测、金融风险控制、股票走势预测或黄金价格预测。
社交网络服务关系挖掘场景：微博粉丝领袖分析或社交关系链分析。
文本类场景：新闻分类、关键词提取、文章摘要或文本内容分析。
非结构化数据处理场景：图片分类或图片文本内容提取。
其他各类预测场景：降雨预测或足球比赛结果预测。
机器学习包括传统机器学习和深度学习，有以下几种类型：
监督学习（Supervised Learning）：每个样本都有对应的目标值，通过搭建模型实现从输入特征向量到目标值的映射，例如解决回归和分类问题。
无监督学习（Unsupervised Learning）：所有样本没有目标值，期望从数据本身发现一些潜在规律，例如解决聚类问题。
强化学习（Reinforcement Learning）：相对较为复杂，系统与外界环境不断交互，在外界反馈的基础上决定自身行为，以达到目标最优化。例如阿尔法围棋和无人驾驶。
