機器學習是研究如何讓計算機不需要明確的程序也能具備學習能力的領域。它是一種通過讓計算機從數據中學習，從而完成任務的方法。在機器學習中，模型是借助數學模型理解數據的。當模型裝上可以適應觀測數據的可調參數時，學習就開始了。一旦模型可以擬合舊的觀測數據，那么它們就可以預測并解釋新的觀測數據。

以下是CDA數據分析師考試中機器學習概念的一些重要考點：

1、監督學習(Supervised Learning)和非監督學習(Unsupervised Learning)：監督學習是機器學習中最常用的方法，它通過已知輸入和輸出來訓練模型。而非監督學習則是沒有已知的輸入和輸出，模型需要從數據中自行發現結構或模式。

2、強化學習(Reinforcement Learning)：強化學習是另一種機器學習方法，它通過讓模型在環境中進行試錯，并從錯誤中學習，以獲得最佳的行為策略。

3、深度學習(Deep Learning)：深度學習是機器學習的一個分支，它通過使用人工神經網絡來模擬人腦的學習方式。深度學習在圖像、語音和自然語言處理等領域有著廣泛的應用。

4、遷移學習(Transfer Learning)：遷移學習是指將在一個任務或領域中學到的知識應用到另一個任務或領域中的學習方法。

5、模型評估(Model Evaluation)：在機器學習中，模型評估是非常重要的步驟，它通過使用各種評估指標來衡量模型的性能。這些指標包括準確率、精確率、召回率、F1分數等。

6、過擬合(Overfitting)和欠擬合(Underfitting)：過擬合是指模型在訓練數據上表現得非常好，但在測試數據上表現不佳的現象;而欠擬合則是模型在訓練數據和測試數據上的表現都不佳的現象。

7、正則化(Regularization)：正則化是一種用于防止過擬合的技術，它通過在模型的損失函數中增加一項來懲罰模型的復雜性。