機器學習作為實現人工智能的核心方法，通過特定算法從數據中自主學習，獲得完成目標任務的技能。

       與傳統基於知識的方法相比，機器學習有可能突破人類現有知識的上限，發現人類尚未察覺的新規律、新方案，甚至展現出“超人”般的智能。

      如今，人工智能展現出的強大能力——包括人們常談論的AI 威脅，很大程度上源於機器學習：只有通過自主學習的機器，才有可能超越其創造者，具備難以預料的強大能力。

樣例：區分水果

目標：對蘋果和桔子進行分類, 將這一目標表示為數學形式，即希望分類正確率越高越好，或錯誤率越低越好。

知識：例如，“又大又紅的更可能是蘋果，而較小且顏色偏橙黃色的是桔子”。

模型：構建一個簡單模型，如 Y=a × 顏色 + b × 大小，其中 a 和 b 為待學習的參數。

數據：收集蘋果和桔子的樣本，並分別標記（例如，蘋果標記為 T=1，桔子標記為 T=0）。算法：通過調整 a 和 b 的值，使得預測值 Y 儘可能接近標記 T。

完成學習後，就得到了一個能夠對蘋果和桔子進行分類的模型。

圖中的藍色直線代表模型對應的分類邊界，上方為蘋果，下方為桔子。對於新樣本，只需判斷其位於分類邊界的哪一側，即可確定其歸屬。

知識卡片

機器學習是利用恰當的算法，從數據中獲得經驗，對基於知識設計的初始模型進行改進，從而更有效地完成任務目標的方法。

機器學習的主要成份包括：

知識： 提供大框架、設計準則、初始模型結構。例如，圖像中物體的類別具有空間不變性。

模型： 是知識累積的場所。例如，圖像識別所用的卷積神經網絡。

數據： 是學習的糧食，是知識源。例如，大量帶標籤的圖像數據集。

目標： 是學習的方向，定義了系統要優化的指標。例如，最小化圖像分類錯誤率。

算法： 是學習的具體步驟。例如，反向傳播算法。