1.定义：机器学习是一种从经验中学习关于某类任务和该任务执行性能衡量参数，并且性能衡量参数会随着经验的增加而提高的计算机程序。机器如何做我们能做的事，这是早期关于机器学习思想的起源。机器学习和程序编码最大的区别之一就是可以在没有明确编程指令来执行任务的情况下做出预测或决策。
2.机器学习三要素：任务，特征和模型。任务是我们需要解决什么样的问题。特征是一种描述事物的测度指标，模型是解决问题的关键，不同模型背后原理也不相同。
3.分类：机器学习分为有监督学习，半监督学习，无监督学习，强化学习和迁移学习。 他们的学习难度是从易到难的。
（1）有监督学习可以看作为有答案学习，通过给定的问题和答案，机器学习不断的学习训练，从而得到最佳的学习效果。
（2）无监督学习是通过没有事先标注好的标签数据，从学习海量数据中，寻找内部规律的方式。
（3）半监督学习是介于无监督学习和有监督学习之间，在训练过程中利用少量的标签数据和大量的未标签数据进行学习。
（4）强化学习是做了一系列的动作以后给出一个估值，告诉你做了这个大概打了多少分，强调的是智能体如何与环境互动，以取得最大化的预期利益。
（5）迁移学习核心是解决一个问题时获得的相关知识，并将这些知识应用于类似的问题。
4.情感分析：机器学习的本质是优化问题，可以分为分类，回归，聚类，降维四类问题。其中情感分析是一个分类问题，分类问题涉及离散输出和有监督学习。