机器学习初步入门：我们该怎么做？

机器学习是人工智能的一种应用，它可以自动从经验中学习并改进，而不需要明确的编程。由于ML是作为分析不断增加的数据量的结果出现的，因此底层算法保持不变，但用于选择特定答案的代码的内部权重和偏差会发生变化。当然，这不是那么容易。

数据科学家经常把用于实现ML的技术称为算法。算法是一系列按部就班的操作，通常是计算，以有限的步骤解决一个特定的问题。在机器学习中，算法通过使用一系列有限的步骤从数据中学习来解决一个问题。

ML算法会学习，但通常很难找到 "学习 "这个词的确切含义，因为不同的ML算法以不同的方式从数据中提取信息，这取决于它们的构造方式。通常情况下，学习过程需要大量的数据，这些数据可以为某些输入提供一个预期的反应。每一个输入-输出对都是一个例子，而其他的例子则有利于算法的学习。这是因为每个输入-输出对都对应着一个行、群组或其他定义问题域的统计视图。

ML是优化模型的过程，模型是数据本身的通用数学表示，可以预测或以其他方式确定对以前未见过的输入的适当反应。模型提供的答案越准确，模型从它提供的输入中学习的效果就越好。在这种算法中，模型和数据被拟合，而拟合过程就是学习。

机器学习的中心思想是，一个算法可以将现实表示为一个数学函数，它事先并不知道，但在看了一些数据后，它可以推导出这个函数（总是以一对输入和输出的形式）。现实及其所有的复杂性都可以基于未知的数学函数来表示，而机器学习算法可以找到这些未知的数学函数，并将其作为内部数学函数的修改。换句话说，每个机器学习算法都是基于一个可以被修改的数学函数。

根据预期结果和输入数据的类型，算法可以根据其学习风格进行分类。你选择的风格取决于你的数据类型和预期结果。