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、计算复杂性理论等多门学科。它主要研究计算机系统如何通过数据学习和改进性能，包括以下几种主要方法：

监督学习：

在监督学习中，模型从标注数据中学习并预测新的未标注数据。监督学习的三要素包括模型、策略和算法。

非监督学习：

在非监督学习中，模型从未标注数据中学习并识别出其中的模式和结构。它主要用于数据的降维、聚类等任务。

强化学习：

在强化学习中，模型通过试错和反馈机制来学习决策策略，从而实现在复杂环境中的决策。强化学习广泛应用于机器人控制、游戏AI等领域。

半监督学习：

半监督学习介于监督学习和无监督学习之间，利用少量标注数据和大量未标注数据进行模型训练。

深度学习：

深度学习是机器学习的一个子领域，使用深层神经网络进行学习和表示数据的复杂模式。

此外，机器学习还包括一些常见的算法，如线性回归、逻辑回归、支持向量机、决策树、随机森林、神经网络和聚类等。

机器学习的应用范围非常广泛，包括图像识别和分类、自然语言处理、推荐系统、医疗诊断、金融风控、工业制造等多个领域。

综上所述，机器学习包括监督学习、非监督学习、强化学习和半监督学习等方法，并涉及多种算法和技术，广泛应用于多个领域。