机器学习（Machine Learning, ML）的核心思想是让计算机能够通过 数据学习 ，并从中推断出规律或模式，而不依赖于显式编写的规则或代码。
简单来说，机器学习的工作流程是让机器通过历史数据自动改进其决策和预测能力。
机器学习的工作流程可以简化为以下几个步骤：
这个过程能够让计算机从经验中自动学习，并在各种任务中做出越来越准确的预测。
我们可以从以下几个方面来理解机器学习是如何工作的：
1. 数据输入：数据是学习的基础
机器学习的第一步是数据收集。没有数据，机器学习模型无法进行训练。数据通常包括"输入特征"和"标签"：
机器学习模型的目标是从数据中找出输入特征与标签之间的关系，基于这些关系做出预测。
2. 模型选择：选择合适的学习算法
机器学习模型（也叫做算法）是帮助计算机学习数据并进行预测的工具。根据数据的性质和任务的不同，常见的机器学习模型包括：
3. 训练过程：让模型从数据中学习
在训练阶段，模型通过历史数据"学习"输入和标签之间的关系，通常通过最小化一个损失函数（Loss Function）来优化模型的参数。训练过程可以概括为以下步骤：
4. 验证与评估：测试模型的性能
训练过程完成后，我们需要评估模型的性能。为了避免模型过度拟合训练数据，我们将数据分为 训练集 和 测试集 ，其中：
常见的评估指标包括：
5. 优化与调整：提高模型的精度
如果模型在测试集上的表现不理想，可能需要进一步优化。这通常包括：
6. 模型部署与预测：实际应用
一旦模型在训练和测试数据上表现良好，就可以将模型部署到实际应用中：
7. 持续学习与模型更新：
机器学习系统通常不是一次性完成的。在实际应用中，随着时间的推移，新的数据会不断产生，因此，模型需要定期更新和再训练，以保持其预测能力。这可以通过 在线学习 、 迁移学习 等方法来实现。
