機器學(xué)習(xí)(Machine Learning)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。
專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。
它是人工智能的核心，是使計算機具有智能的根本途徑。
它的應(yīng)用已遍及人工智能的各個分支，如專家系統(tǒng)、自動推理、自然語言理解、模式識別、計算機視覺、智能機器人等領(lǐng)域。
其中尤其典型的是專家系統(tǒng)中的知識獲取瓶頸問題，人們一直在努力試圖采用機器學(xué)習(xí)的方法加以克服。
學(xué)習(xí)能力是智能行為的一個非常重要的特征，但至今對學(xué)習(xí)的機理尚不清楚。人們曾對機器學(xué)習(xí)給出各種定義。
H。A。Simon認(rèn)為，學(xué)習(xí)是系統(tǒng)所作的適應(yīng)性變化，使得系統(tǒng)在下一次完成同樣或類似的任務(wù)時更為有效。
R。s。Michalski認(rèn)為，學(xué)習(xí)是構(gòu)造或修改對于所經(jīng)歷事物的表示。從事專家系統(tǒng)研制的人們則認(rèn)為學(xué)習(xí)是知識的獲取。
這些觀點各有側(cè)重，第一種觀點強調(diào)學(xué)習(xí)的外部行為效果，第二種則強調(diào)學(xué)習(xí)的內(nèi)部過程，而第三種主要是從知識工程的實用性角度出發(fā)的。
機器學(xué)習(xí)在人工智能的研究中具有十分重要的地位。一個不具有學(xué)習(xí)能力的智能系統(tǒng)難以稱得上是一個真正的智能系統(tǒng)，但是以往的智能系統(tǒng)都普遍缺少學(xué)習(xí)的能力。
例如，它們遇到錯誤時不能自我校正；不會通過經(jīng)驗改善自身的性能；不會自動獲取和發(fā)現(xiàn)所需要的知識。
它們的推理僅限于演繹而缺少歸納，因此至多只能夠證明已存在事實、定理，而不能發(fā)現(xiàn)新的定理、定律和規(guī)則等。
隨著人工智能的深入發(fā)展，這些局限性表現(xiàn)得愈加突出。正是在這種情形下，機器學(xué)習(xí)逐漸成為人工智能研究的核心之一。
它的應(yīng)用已遍及人工智能的各個分支，如專家系統(tǒng)、自動推理、自然語言理解、模式識別、計算機視覺、智能機器人等領(lǐng)域。
其中尤其典型的是專家系統(tǒng)中的知識獲取瓶頸問題，人們一直在努力試圖采用機器學(xué)習(xí)的方法加以克服。
機器學(xué)習(xí)是人工智能研究較為年輕的分支，它的發(fā)展過程大體上可分為4個時期。
第一階段是在50年代中葉到60年代中葉，屬于熱烈時期。
第二階段是在60年代中葉至70年代中葉，被稱為機器學(xué)習(xí)的冷靜時期。
第三階段是從70年代中葉至80年代中葉，稱為復(fù)興時期。
機器學(xué)習(xí)的最新階段始于1986年。
機器學(xué)習(xí)進(jìn)入新階段的重要表現(xiàn)在下列諸方面：
(1)機器學(xué)習(xí)已成為新的邊緣學(xué)科并在高校形成一門課程。
它綜合應(yīng)用心理學(xué)、生物學(xué)和神經(jīng)生理學(xué)以及數(shù)學(xué)、自動化和計算機科學(xué)形成機器學(xué)習(xí)理論基礎(chǔ)。
(2)結(jié)合各種學(xué)習(xí)方法，取長補短的多種形式的集成學(xué)習(xí)系統(tǒng)研究正在興起。
特別是連接學(xué)習(xí)符號學(xué)習(xí)的耦合可以更好地解決連續(xù)性信號處理中知識與技能的獲取與求精問題而受到重視。
(3)機器學(xué)習(xí)與人工智能各種基礎(chǔ)問題的統(tǒng)一性觀點正在形成。
例如學(xué)習(xí)與問題求解結(jié)合進(jìn)行、知識表達(dá)便于學(xué)習(xí)的觀點產(chǎn)生了通用智能系統(tǒng)SOAR的組塊學(xué)習(xí)。類比學(xué)習(xí)與問題求解結(jié)合的基于案例方法已成為經(jīng)驗學(xué)習(xí)的重要方向。
(4)各種學(xué)習(xí)方法的應(yīng)用范圍不斷擴大，一部分已形成商品。
歸納學(xué)習(xí)的知識獲取工具已在診斷分類型專家系統(tǒng)中廣泛使用。
連接學(xué)習(xí)在聲圖文識別中占優(yōu)勢。
分析學(xué)習(xí)已用于設(shè)計綜合型專家系統(tǒng)。
遺傳算法與強化學(xué)習(xí)在工程控制中有較好的應(yīng)用前景。
與符號系統(tǒng)耦合的神經(jīng)網(wǎng)絡(luò)連接學(xué)習(xí)將在企業(yè)的智能管理與智能機器人運動規(guī)劃中發(fā)揮作用。
(5)與機器學(xué)習(xí)有關(guān)的學(xué)術(shù)活動空前活躍。國際上除每年一次的機器學(xué)習(xí)研討會外，還有計算機學(xué)習(xí)理論會議以及遺傳算法會議。
精選解答
