学习意味着通过学习或经验获得知识或技能。 基于此，我们可以定义机器学习(ML)如下 -
它被定义为计算机科学领域，更具体地说是人工智能的应用，它提供计算机系统学习数据和改进经验而不被明确编程的能力。
基本上，机器学习的主要重点是让电脑自动学习，无需人工干预。 现在的问题是，如何开始这样的学习并完成？ 它可以从数据观察开始。 数据可以是一些例子，指导或一些直接的经验。 然后在这个输入的基础上，机器通过查找数据中的一些模式来做出更好的决定。
机器学习算法有助于计算机系统学习，而无需明确编程。 这些算法分为有监督或无监督。 现在让我们来看看几个常见的算法 -
这是最常用的机器学习算法。 它被称为监督学习算法，因为从训练数据集中算法学习的过程可以被认为是监督学习过程的教师。 在这种ML算法中，可能的结果是已知的，并且训练数据也标有正确的答案。可以理解如下 -
假设有输入变量x和输出变量y，并且我们应用了一种算法来学习从输入到输出的映射函数，例如 -
Y = f(x)
现在，主要目标是近似映射函数，当有新的输入数据(x)时，可以预测该数据的输出变量(Y)。
主要监督问题可分为以下两类问题 -
决策树，随机森林，knn，逻辑回归是监督机器学习算法的例子。
顾名思义，这类机器学习算法没有任何主管提供任何指导。 这就是为什么无监督机器学习算法与一些人们称之为真正的人工智能密切相关的原因。 可以理解如下 -
假设有输入变量x，那么在无监督学习算法中就没有相应的输出变量。
简而言之，可以说在无监督学习中，没有正确的答案，也没有教师指导。 算法有助于发现数据中有趣的模式。
无监督学习问题可以分为以下两类问题 -
x和 y商品的顾客。用于聚类的 K-means，Apriori 关联算法是无监督机器学习算法的例子。
增强机器学习算法 这些机器学习算法的使用量非常少。 这些算法训练系统做出特定的决定。 基本上，机器暴露在使用试错法不断训练自己的环境中。 这些算法从过去的经验中学习并尝试捕获最佳可能的知识以做出准确的决策。 马尔可夫决策过程就是增强机器学习算法的一个例子。