机器学习(Machine Learning)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。

　　它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。

　　其中尤其典型的是专家系统中的知识获取瓶颈问题，人们一直在努力试图采用机器学习的方法加以克服。

　　学习能力是智能行为的一个非常重要的特征，但至今对学习的机理尚不清楚。人们曾对机器学习给出各种定义。

　　H。A。Simon认为，学习是系统所作的适应性变化，使得系统在下一次完成同样或类似的任务时更为有效。

　　R。s。Michalski认为，学习是构造或修改对于所经历事物的表示。从事专家系统研制的人们则认为学习是知识的获取。

　　这些观点各有侧重，第一种观点强调学习的外部行为效果，第二种则强调学习的内部过程，而第三种主要是从知识工程的实用性角度出发的。

　　机器学习在人工智能的研究中具有十分重要的地位。一个不具有学习能力的智能系统难以称得上是一个真正的智能系统，但是以往的智能系统都普遍缺少学习的能力。

　　例如，它们遇到错误时不能自我校正；不会通过经验改善自身的性能；不会自动获取和发现所需要的知识。

　　它们的推理仅限于演绎而缺少归纳，因此至多只能够证明已存在事实、定理，而不能发现新的定理、定律和规则等。

　　随着人工智能的深入发展，这些局限性表现得愈加突出。正是在这种情形下，机器学习逐渐成为人工智能研究的核心之一。

　　它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。

　　其中尤其典型的是专家系统中的知识获取瓶颈问题，人们一直在努力试图采用机器学习的方法加以克服。

　　机器学习是人工智能研究较为年轻的分支，它的发展过程大体上可分为4个时期。

　　第一阶段是在50年代中叶到60年代中叶，属于热烈时期。

　　第二阶段是在60年代中叶至70年代中叶，被称为机器学习的冷静时期。

　　第三阶段是从70年代中叶至80年代中叶，称为复兴时期。

　　机器学习的最新阶段始于1986年。

　　机器学习进入新阶段的重要表现在下列诸方面：

　　(1)机器学习已成为新的边缘学科并在高校形成一门课程。

　　它综合应用心理学、生物学和神经生理学以及数学、自动化和计算机科学形成机器学习理论基础。

　　(2)结合各种学习方法，取长补短的多种形式的集成学习系统研究正在兴起。

　　特别是连接学习符号学习的耦合可以更好地解决连续性信号处理中知识与技能的获取与求精问题而受到重视。

　　(3)机器学习与人工智能各种基础问题的统一性观点正在形成。

　　例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统SOAR的组块学习。类比学习与问题求解结合的基于案例方法已成为经验学习的重要方向。

　　(4)各种学习方法的应用范围不断扩大，一部分已形成商品。

　　归纳学习的知识获取工具已在诊断分类型专家系统中广泛使用。

　　连接学习在声图文识别中占优势。

　　分析学习已用于设计综合型专家系统。

　　遗传算法与强化学习在工程控制中有较好的应用前景。

　　与符号系统耦合的神经网络连接学习将在企业的智能管理与智能机器人运动规划中发挥作用。

　　(5)与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还有计算机学习理论会议以及遗传算法会议。

    FRM备考资料推荐：FRM一二级电子版资料