在當前的推薦系統中，很多使用了機器學習，有些已經用到了深度學習。那麼，機器學習就等同於一堆的算法嗎？
答案是：機器學習≠算法。
機器學習≠算法
當我們打開一本教科書，或者大學的教學大綱，通常看到的都是一堆的算法列表。
這也讓大家造成了這樣的誤解：機器學習就是掌握一系列的算法。其實，機器學習並不止步於算法，我們可以把它看做是解決問題的一種綜合方法。我們看到的一個個獨立的算法，只不過是難題的一角，剩下的難題是我們該如何正確地使用這些算法。
機器學習爲何如此神奇？
機器學習，就是教計算機分析數據，發現其中規律，以便人們進行預測或決定的實踐。
對於真正意義上的機器學習來說，計算機必須具備分析數據中無法通過編程得出的規律的能力。
示例：
假如一個小孩子在家裏玩，突然，他看到一支蠟燭！於是，他向蠟燭的方向慢慢走去。
出於好奇，他用手指指着燭光；
“哇！”他大喊，同時把手收回來；
“嗚嗚……那個會發光的紅色東西好燙！”
兩天之後，他來到廚房裏，看到了爐子。同樣，他又非常好奇。
他好奇得不得了，心裏想要不要用手摸一下；
突然，他發現這個東西也會發光，也是紅色的！
“啊……”他自言自語道，“我不要再痛一次了！”
他想起來紅色且會發光的東西會“痛”，於是就離開爐子去其他地方了。
說得更清楚一些，因爲這個孩子從蠟燭中自己推斷得出了某種結論，那我們就稱之爲“機器學習”。
這個結論就是：“紅色且會發光”意味着“疼痛”；
如果這個孩子離開爐子，是因爲父母告誡他的話，那就是“明確的程序指示”，而不是機器學習了。
重要術語
模型-從數據中得出的一組模式；
算法-用於訓練某個模型的專門的ML過程；
訓練數據-算法用來訓練模型的數據集；
測試數據-用於客觀評估模型性能的新數據集；
特徵-數據集中用來訓練模型的變量；
目標變量-用於預測的某個特定變量；
示例：
假設我們有一組包含150個小學生信息的數據集，現在希望通過他們的年齡、性別和體重預測他們的身高。
我們現在有150組數據點、1個目標變量（身高）、3個特徵（年齡、性別、重量）。接下來會把所有數據分爲兩個子集：
其中，120組會被用來訓練不同的模型（訓練集），其餘的30組用來選擇最佳模型（測試集）。
機器學習任務
在學術界，機器學習始於並會一直專注於其中某個算法。但是，在工業界，我們首先得爲工作所需選擇正確的機器學習任務。
· 任務是算法的特定目標。
·只要選擇正確的任務，算法就可以交換進出完成任務。
·實際上，我們會嘗試多種不同算法，因爲很可能我們一開始不知道哪種算法最適合數據集。
機器學習兩種最常見的任務類別是監督學習和無監督學習。
監督學習
監督學習包括面向“標記”好的數據的任務（換言之，我們有一個目標變量）。
· 在實踐中，它通常是用作建模預測的高級形式。
· 每一組數據點必須正確標記。
· 只有這樣才能建立一個預測模型，因爲我們必須在訓練時告訴算法什麼是“正確”的（也就是我們說的“監督”）。
· 迴歸是建模連續目標變量的任務。
·分類是對分類目標變量進行建模的任務。
無監督學習
無監督學習包括面向“未標記”數據的任務（換言之，沒有目標變量）。
· 在實踐中，這種形式通常用作自動數據分析或自動信號提取。
· 未標記的數據沒有預先確定的“正確答案”。
· 允許算法直接從數據中學習模式（即沒有“監督”）。
· 聚類是最常見的無監督學習任務，用於查找數據中的組。
機器學習的三要素
如何始終如一地構建有效的模型以獲得最佳效果。
＃1：熟練的廚師（人類指導）
首先，即使我們是在“教電腦自學”，但在這個過程中，人的指導也起着很大的作用。
正如我們所看到的，您需要在此過程中做出無數項決策。
事實上，第一個重大決策就是該如何規劃我們的項目，從而確保成功。
＃2：新鮮食材（乾淨且相關的數據）
第二個基本要素是數據的質量。
無論我們使用哪種算法，垃圾輸入=垃圾輸出。
專業的數據科學家將大部分時間花在瞭解數據，清理數據和設計新功能上。
＃3：不要過度烹飪（避免過度擬合）
機器學習中最危險的陷阱之一就是過度擬合。過度擬合模型會“記住”訓練集中的噪聲，而不是學習真正的基礎模式。
· 對衝基金中的過度擬合可能會造成數百萬美元的損失。
· 醫院內的過度擬合可能會導致數千人喪生。
對於大多數應用來說，過度擬合都是要避免的錯誤。