机器学习是人工智能的核心，研究如何让计算机从数据中自动发现规律并作出预测，而无需人为编写显式规则。根据训练数据是否有标签，机器学习分为三大类：监督学习、无监督学习和强化学习。

监督学习使用带标签的数据训练模型，其中最常见的两类任务是分类与回归。分类预测离散类别（如垃圾邮件识别），常见算法有决策树、随机森林、支持向量机、K 近邻；回归预测连续数值（如房价预测），常用线性回归、岭回归等。无监督学习的数据没有标签，目标是发现数据内在结构，典型任务包括聚类（如 K-Means、层次聚类）和降维（如主成分分析 PCA）。

特征工程是机器学习的核心环节，决定了模型性能的上限。它包含数据清洗（处理缺失值、异常值）、特征缩放（标准化、归一化）、特征编码（独热编码处理类别变量）以及特征选择与构造。训练过程通常将数据划分为训练集、验证集与测试集，以评估模型泛化能力，并避免过拟合与欠拟合。模型评估指标因任务而异：分类常用准确率、精确率、召回率、F1 值，回归常用均方误差（MSE）和平均绝对误差（MAE）。

掌握机器学习基础是进入深度学习、大模型与数据科学领域的必经之路，理解模型、数据与评估三者之间的关系至关重要。