有人经常会把数据分析与机器学习给搞混掉，机器学习这个主题已经很普遍了，每个人都在谈论它，但很少有人能够透彻地了解它，今天老李给大家分享一下机器学习的概念。
数据分析和机器学习如果你认为大数据仅仅是关于SQL语句查询和海量的数据的话，那么别人也会理解你的，但是大数据真正的目的是通过对数据的推断，从数据中获取价值、从数据中发现有用的东西。例如，“如果我降低5%的价格，我将增加10%的销售量。”
数据分析是最重要的技术，包括如下方面:
描述性分析：确定所发生的事情。这通常涉及到描述发生了什么现象的报告。例如，用这个月的销售额与去年同期进行比较的结果。特征性分析：解释现象发生的原因，这通常涉及使用带有OLAP技术的控制台用以分析和研究数据，根据数据挖掘技术来找到数据之间的相关性。预测性分析：评估可能发生的事情的概率。这可能是预测性分析被用来根据你的工作性质、个人兴趣爱好，认为你是一个潜在的读者，以便能够链接到其他的人。机器学习适合于预测性分析。
一个例子说明什么是机器学习机器学习是指利用计算机模拟或实现人类的学习行为。那机器是怎么学习的呢？我们就举个相亲的例子。现有一妙龄女郎相亲，候选人有青年 A、B、C 和 D，四个青年的属性分别为：
A：『高，帅，富』B：『高，帅，穷』C：『高，丑，富』D：『矮，丑，富』经过一番筛选，女子将 [A C D] 分为适合婚恋组，将 [B] 划分为不适合婚恋组。上述就是人类的学习过程。
由于相亲对象实在过多，妙龄女郎相不过来了，于是她找来机器帮忙。首先，她要培训下机器，告诉机器如下信息：
A：属性『高，帅，富』— 标签 『适合婚恋组』B：属性『高，帅，穷』— 标签 『不适合婚恋组』C：属性『高，丑，富』— 标签 『适合婚恋组』D：属性『矮，丑，富』— 标签 『适合婚恋组』机器一番学习，建立起了「属性」和「标签」的对应关系，这就是机器学习建模过程。现在有青年 E、F、G …… 的属性值，妙龄少女把这堆属性值告诉机器，机器返回哪些是可以继续发展的对象，哪些是淘汰的对象。
这就是 有监督机器学习 ，即告诉机器训练数据的「属性」和「标签」，机器利用某种算法建立「属性」和「标签」的关系，利用该关系，就可以根据新数据的「属性」得到新数据的「标签」，如下图。
机器学习如何工作？垃圾邮件过滤是一个很好的例子，它利用机器学习技术来学习如何从数百万封邮件中识别垃圾邮件，其中就用到了统计学技术。
例如，如果每100个电子邮件中的85个，其中包括“便宜”和“伟哥”这两个词的邮件被认为是垃圾邮件，我们可以说有85%的概率，确定它是垃圾邮件。并通过其它几个指标（例如，从来没给你发送过邮件的人）结合起来，利用数十亿个电子邮件进行算法测试，随着训练次数不断增加来提升准确率。
事实上，谷歌表示它现在已经可以拦截99.99%左右的垃圾邮件。
机器学习的算法有哪些我制作了一份机器学习算法选择速查表：
这张速查表能帮你从众多机器学习算法中，针对你自己的具体问题和情况，选出最合适的算法。下面就介绍如何使用这份速查表。
因为是面向初学者，所以在谈到算法时，会尽量做一些最简单的假设。下文谈及的算法也都是众多数据科学家、机器学习专家和开发者们推荐的结果。
怎样使用速查表
按照“如果（路径标签）就用（算法）”的逻辑，查看速查表上的路径和算法标签。例如：
如果你想降维，就用主成分分析。如果你需要迅速得到数值预测，就用决策树和逻辑回归。如果你需要层次结果，就用层次聚类。有时我们可能需要不止一个算法，有时可能这些算法没有一个是最合适的。我和许多数据科学家聊过，他们认为这种情况下，最保险的做法就是把所有算法都尝试一遍，找到最合适的那个。
