ML 是 Machine Learning 的缩写，中文叫“机器学习”。如果 AI 是让机器表现出类似智能能力的大方向，机器学习就是其中最重要、也最常见的一条路线。它的核心想法很朴素：与其让人把规则一条条写死，不如让系统从数据中学习规律。
比如判断一封邮件是不是垃圾邮件。你当然可以手写很多规则：标题里有没有可疑词、发件人是否陌生、链接是否异常。但现实情况总会变化，垃圾邮件也会伪装。机器学习的做法是给系统大量邮件样本，让它从历史数据中学习哪些特征更可能和垃圾邮件有关，再把这种规律用于新邮件。
先用一句话抓住它
机器学习是让计算机从数据中学习规律，并把学到的规律用于预测、分类、推荐、识别或决策。
生活里的类比是经验积累。你看过很多餐厅的评分、价格、距离、菜品和朋友反馈后，会慢慢判断哪家更适合今晚。机器学习也是类似过程，只是它处理的是大量样本，并用数学模型保存这些经验。
从数据到模型
机器学习的基本流程通常是：先准备训练数据，再选择能描述问题的特征，然后让算法在数据中寻找规律，最后得到一个模型。这个模型遇到新样本时，就能给出预测或分类结果。
flowchart LR
Data["训练数据"] --> Train["训练算法"]
Train --> Model["模型"]
New["新样本"] --> Model
Model --> Output["预测 / 分类 / 推荐 / 决策"]这里有几个词经常出现。训练数据是模型学习的材料，特征是描述样本的信息，标签是监督学习中给出的正确答案，模型是学到的规律，推理则是模型对新样本给出结果的过程。真正好的模型不只是记住旧数据，而是能在没见过的新情况里也表现稳定，这叫泛化。
机器学习常见的几种学习方式
监督学习最容易理解：数据里既有输入，也有正确答案。比如房价预测中，房子的面积、位置、楼层是输入，真实成交价是答案；垃圾邮件分类中，邮件内容是输入，是否垃圾邮件是答案。模型通过这些例子学会对新样本做判断。
无监督学习没有标准答案，系统要自己在数据中找结构。比如把用户按行为分群，把文章按主题聚类，或者发现异常模式。强化学习则更像训练一个会行动的系统，它通过奖励和惩罚学习策略，常见于游戏、机器人和复杂决策场景。
近年的大模型还常使用自监督学习。它会从数据本身构造学习任务，比如遮住一句话中的一部分，让模型预测缺失内容。这样就能利用大量没有人工标签的数据。
和 AI、深度学习的关系
所有机器学习都属于 AI，但不是所有 AI 都是机器学习。早期 AI 里有很多规则系统、搜索算法、规划方法和专家系统，它们不一定依靠数据训练。
深度学习则是机器学习的一类方法。它使用多层神经网络，尤其适合图片、语音、自然语言和视频等复杂数据。今天的大语言模型、图像生成模型、语音识别系统，大多建立在深度学习之上。
它适合做什么
机器学习特别适合规则难写、数据充足、模式会变化的问题。推荐系统可以根据用户行为不断调整；风控模型可以在交易数据中发现异常；搜索排序可以根据点击和内容关系优化结果；客服系统可以把问题自动分流；医学影像系统可以辅助发现可疑区域。
但它不是万能钥匙。如果数据太少、数据质量差、目标定义模糊，机器学习反而可能把问题变复杂。一个模型看起来准确率很高，也不代表一定适合上线，因为真实业务还要考虑误判成本、公平性、可解释性和维护成本。
容易误解的地方
机器学习最常见的误区，是把“数据越多越好”理解得太简单。数据多但脏、标签错、样本偏，模型学到的也会偏。另一个误区是只看准确率。比如欺诈检测里，漏掉一笔高风险交易和误拦一笔正常交易的成本完全不同，单一准确率无法说明模型是否真的可用。
还要注意，模型不是训练完就永远有效。用户行为会变，市场环境会变，数据分布会变。机器学习系统需要持续监控、评估和更新，否则它会慢慢脱离现实。
怎么判断它该不该用
判断一个问题是否适合机器学习，可以先问三件事：有没有足够可靠的数据，目标能不能被清楚定义，预测结果是否能被验证。如果答案都比较明确，机器学习可能有用。如果问题本身更像一次性判断、强规则流程或高责任决策，就要谨慎。
在金融、医疗、招聘和公共服务等高影响场景中，机器学习模型必须配合人工审阅、解释机制、数据治理和持续监控。