学习的过程就是举一反三的过程。
例如，中学阶段通过做大量的练习题，为的就是在高考解决问题。高考的题目一般来说是之前肯定没有遇到过的，但是这并不意味着这些题目我们无法解决。通过对之前所做过的练习题的分析，找到解题方法，同样可以解决陌生的题目。
机器学习其实就是将这一套方式运用到机器上，利用一些已知的数据来训练机器（做练习题），让机器自己分析这些数据，并找到内在联系（学习解题方法），从而对未知的数据进行预测判定等（做高考题）。
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
监督学习(Supervised Learning)，用上述例子来解释，就是高考前所做的练习题是有标准答案的。在学习的过程中，我们可以通过对照答案，来分析问题找出方法，下一次在面对没有答案的问题时，往往也可以正确地解决。
对于机器学习来说，监督学习就是训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。
回归分析(Regression Analysis)：如果拿二维平面来说，就是对已经存在的点（训练数据）进行分析，拟合出适当的函数模型y=f(x)，这里y就是数据的标签，而对于一个新的自变量x，通过这个函数模型得到标签y。 -
分类(Classification)：训练数据是特征向量与其对应的标签，同样要通过分析特征向量，对于一个新的向量得到其标签。
回归分析与分类区别其实就是数据的区别就是回归是针对连续数据，分类是针对离散数据。
与监督学习相对的，是非监督学习(Unsupervised Learning)。
再举高中做练习题的例子，就是所做的练习题没有标准答案，换句话说，你也不知道自己做的是否正确，没有参照，想想就觉得是一件很难的事情。
但是就算不知道答案，我们还是可以大致的将语文，数学，英语这些题目分开，因为这些问题内在还是具有一定的联系。
这种问题在机器学习领域中就被称作聚类(Clustering)，相对于监督学习，无监督学习显然难度要更大，在只有特征没有标签的训练数据集中，通过数据之间的内在联系和相似性将他们分成若干类。
Google新闻按照内容结构的不同分成财经，娱乐，体育等不同的标签，这就是一种聚类。
