机器学习（Machine Learning, ML）是一种计算机科学技术，它允许计算机系统在没有明确编程的情况下通过从数据中学习和推断模式来改进其表现。这种技术的核心是构建和使用算法模型，这些模型能够通过分析大量输入数据自动“学习”规律，并基于这些规律做出预测、分类、聚类或决策。机器学习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。它专门研究计算机如何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，从而不断改善自身的性能。机器学习是人工智能的核心，是实现计算机智能化的根本途径。
机器学习使用计算机作为工具，致力于真实实时地模拟人类学习方式，并将现有内容进行知识结构划分，以有效提高学习效率。根据学习模式、学习方法以及算法的不同，机器学习存在不同的分类方法，例如监督学习、无监督学习和强化学习等。
在机器学习的实践中，主要有几种类型的学习方式：
- 监督学习：这是最常见的机器学习形式，在监督学习中，算法从带有标签的数据集中学习，即每个样本都有一个已知的结果（如垃圾邮件/非垃圾邮件）。算法通过学习这些例子之间的关联性来建立一个模型，以便对新数据进行预测。
- 无监督学习：在这种情况下，算法处理的是没有标签或结果的数据集，目标是发现数据中的内在结构、模式或关系。例如，聚类算法可以将相似的对象分组到一起，而无需提前知道哪些对象应当被分在同一组。
- 半监督学习：这是一种介于监督学习和无监督学习之间的方法，用于处理部分标记的数据集。在这种情况下，算法利用少量有标签的数据以及大量的未标记数据进行学习。
- 强化学习：强化学习是让智能体在与环境互动的过程中通过试错法学习，以最大化长期奖励为目标，而非直接依赖于预先提供的标签。
此外，机器学习还包括其他子领域和技术，如迁移学习（Transfer Learning）、集成学习（Ensemble Learning）、深度学习（Deep Learning）等。这些技术在诸多现实世界的应用中发挥了重要作用，包括但不限于自然语言处理（NLP）、图像识别、推荐系统、金融风控、医疗诊断等诸多领域。
基于数据的机器学习是现代智能技术中的重要方法之一，研究如何从观测数据（样本）出发寻找规律，并利用这些规律对未来数据或无法观测的数据进行预测。机器学习的研究和发展已经历了多个阶段，并涉及到许多不同的算法和技术。
总的来说，机器学习是一门涵盖多个学科领域的交叉学科，其研究目标是让计算机能够像人类一样具有学习和适应的能力，从而实现智能化。机器学习的发展和应用对于人工智能技术的进步和发展具有重要的意义。