它是人工智能的核心，是讓計算機智能化的根本途徑。它的應用覆蓋了人工智能的所有領域，它主要使用歸納、綜合而不是演繹。
基本介紹:
機器學習是近20年來興起的壹門多學科交叉的學科，涉及概率論、統計學、逼近論、凸分析、算法復雜性理論等諸多學科。機器學習理論主要是設計和分析壹些讓計算機自動“學習”的算法。機器學習算法是壹種從數據中自動分析並獲取規則，並利用規則對未知數據進行預測的算法。因為學習算法涉及到大量的統計理論，所以機器學習與統計推斷的關系特別密切，也叫統計學習理論。在算法設計方面，機器學習理論側重於可實現的、有效的學習算法。許多推理問題難以遵循，因此機器學習研究的壹部分是開發易於處理的近似算法。
機器學習已被廣泛應用，如數據挖掘、計算機視覺、自然語言處理、生物特征識別、搜索引擎、醫療診斷、信用卡欺詐檢測、證券市場分析、DNA測序、語音和手寫識別、戰略遊戲和機器人應用等。
學習是人類重要的智能行為，但什麽是學習壹直爭論不休。社會學家、邏輯學家和心理學家都有不同的觀點。比如蘭利(1996)？機器學習的定義是“機器學習是人工智能的壹門科學，該領域的主要研究對象是人工智能，尤其是如何在經驗學習中提高特定算法的性能”。(機器學習是壹門人工科學。該領域的主要研究對象是人工制品，即通過經驗提高其性能的特定算法。)Tom Mitchell的《機器學習》(1997)詳細解釋了信息論中的壹些概念，其中對機器學習的定義是“機器學習是對可以通過經驗自動改進的計算機算法的研究”。(機器學習是對通過經驗自動改進的計算機算法的研究。)Alpaydin (2004)也對機器學習提出了自己的定義，“機器學習是利用數據或過去的經驗來優化計算機程序的性能標準。”(機器學習是對計算機進行編程，以使用示例數據或過去的經驗來優化性能標準。)
盡管如此，為了便於討論和估計該學科的進展，有必要給出機器學習的定義，即使這個定義是不完整和不充分的。顧名思義，機器學習是研究如何用機器來模擬人類學習活動的學科。稍微嚴格地說，機器學習是機器獲取新知識和技能，識別已有知識的研究。這裏說的“機器”是指計算機；現在是電子計算機，將來可能是中子計算機、光子計算機、神經計算機。
機器能像人類壹樣有學習能力嗎？1959美國的塞繆爾設計了壹個象棋程序，具有學習能力，可以通過不斷的對弈來提高自己的棋藝。四年後，這個程序打敗了設計者本人。又過了三年，這個節目打敗了美國壹個已經贏了八年的不敗冠軍。這個節目向人們展示了機器學習的能力，提出了許多發人深省的社會和哲學問題。
很多對機器能否超越人類持否定意見的人的壹個主要論點是，機器是人造的，它的性能和動作完全是由設計者規定的，所以它的能力無論如何也不會超越設計者本人。這個意見對於沒有學習能力的機器是成立的，但是對於有學習能力的機器是值得考慮的，因為這種機器的能力在應用中是不斷提升的。壹段時間後，設計者自己也不知道其能力達到了什麽水平。
機器學習是人工智能研究中相對年輕的壹個分支，其發展過程大致可以分為四個時期。
第壹階段是50年代中期到60年代中期，這是壹個溫暖的時期。…& gt；
第二階段是20世紀60年代中期到70年代中期，稱為機器學習的冷卻期。
第三階段是20世紀70年代中期到80年代中期，稱為復興時期。
機器學習的最新階段開始於1986。
機器學習進入新階段的重要表現在以下幾個方面:
(1)機器學習已經成為壹門新興的前沿學科，也是高校的壹門課程。它整合了應用心理學、生物學和神經生理學以及數學、自動化和計算機科學，形成了機器學習的理論基礎。
(2)各種形式的綜合學習系統正在出現，它結合了各種學習方法，相互學習。特別是連接學習符號學習的耦合，可以更好地解決連續信號處理中知識和技能的獲取和提煉問題，已經受到重視。
(3)機器學習和人工智能的各種基本問題的統壹觀點正在形成。比如學習與解題相結合，知識表達簡單易學的觀點，就產生了通用智能系統SOAR的組塊學習。將類比學習和問題解決相結合的案例教學法已經成為經驗學習的壹個重要方向。
(4)各種學習方法的應用範圍不斷擴大，其中壹些已經成為商品。歸納學習的知識獲取工具已廣泛應用於診斷分類專家系統中。連接學習在視聽識別中占主導地位。分析學習已經被用來設計壹個綜合的專家系統。遺傳算法和強化學習在工程控制中有很好的應用前景。與符號系統耦合的神經網絡連接學習將在企業的智能管理和智能機器人的運動規劃中發揮作用。
(5)機器學習相關的學術活動空前活躍。除了每年的機器學習研討會，國際上還有計算機學習理論會議和遺傳算法會議。