有人說機器學習時，你一定覺得很酷，有一種科技感。但你知道什么事機器學習嗎？又是怎么工作的？機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

如果你了解概率論、統計學，并且對線性代數有一定的掌握，那么你肯定能夠掌握機器學習的概念?，F在，再來看看機器學習的內部工作。

機器學習的工作原理

機器學習的基本概念建立在這樣一個事實之上，即我們所認為的智能在很大程度上是基于概率的，而非邏輯和推理。

這聽起來很奇怪，也很違反直覺，想想你生活中的各種情況，并試著把它們聯系起來。

當你想從A點到B點，你可能會想到它們之間最快的路線。當你玩棋盤游戲時，你想著哪一步棋能幫你贏。考慮任何這樣的情況，你會發現概率在人類的決策過程中扮演著非常重要的角色。

我們再說說計算機，我們知道它們很擅長計算。早在20世紀50年代，科學家就認識到了這一點。他們明白，有了足夠的數據，數字計算機就能很好地估計概率。不幸的是，對于人工智能的先驅研究人員來說，這樣一個革命性的想法出現的時代并不是一個可以充分探索的時代。計算機還沒有強大到足以運行這些新奇的想法并接受測試。

即便如此，他們的基本原則是正確的，這些原則構成了現代人工智能的基礎。

深度神經網絡

谷歌、臉書和亞馬遜等公司將機器學習應用于從客戶那里獲取的所有數據。這樣做是為了優化用戶體驗和首選項。

所有公司都使用的一種特殊的機器學習方法是深度神經網絡。深度神經網絡的概念是基于沃倫·麥卡洛（Warren McCullough）、沃爾特·皮茲（Walter Pitts）和弗蘭克·羅森布拉特(Frank Rosenblatt)在20世紀50年代提出的與神經網絡相關的概念。

雖然今天的神經網絡比以前的原始網絡和形成網絡復雜得多，但其主要思想仍然是一樣的。估計給定概率的最佳方法是將問題分解成離散的、小塊的信息，這些信息是由麥卡洛和皮茲創造的神經元。麥卡洛和皮茨的預言是，如果一組這樣的神經元以類似于人腦的方式連接起來，那么就可以建立不同的模型來學習不同的東西。

為了理解一個神經網絡，讓我們考慮一張有人臉的圖像?，F在，如果我們有一個初級的深度神經網絡，這個神經網絡會有幾千個節點。這些數千個節點中的每一個都將分層堆疊。

神經網絡第一層的每個節點首先要找的是一條直線或一條曲線。一旦初步分析完成，神經網絡的第二層將尋找更高級的形狀，如圓形。在第三層，搜索多個參數，如白色圓圈中的黑色圓圈，這是在深度神經網絡中人眼的識別方式。

當算法最終到達最后一層神經元時，每個神經元都能夠識別高級形狀。該算法可以根據最后一個神經元的檢測結果來判斷人臉的真偽。