有人说机器学习时，你一定觉得很酷，有一种科技感。但你知道什么事机器学习吗？又是怎么工作的？机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

如果你了解概率论、统计学，并且对线性代数有一定的掌握，那么你肯定能够掌握机器学习的概念。现在，再来看看机器学习的内部工作。

机器学习的工作原理

机器学习的基本概念建立在这样一个事实之上，即我们所认为的智能在很大程度上是基于概率的，而非逻辑和推理。

这听起来很奇怪，也很违反直觉，想想你生活中的各种情况，并试着把它们联系起来。

当你想从A点到B点，你可能会想到它们之间最快的路线。当你玩棋盘游戏时，你想着哪一步棋能帮你赢。考虑任何这样的情况，你会发现概率在人类的决策过程中扮演着非常重要的角色。

我们再说说计算机，我们知道它们很擅长计算。早在20世纪50年代，科学家就认识到了这一点。他们明白，有了足够的数据，数字计算机就能很好地估计概率。不幸的是，对于人工智能的先驱研究人员来说，这样一个革命性的想法出现的时代并不是一个可以充分探索的时代。计算机还没有强大到足以运行这些新奇的想法并接受测试。

即便如此，他们的基本原则是正确的，这些原则构成了现代人工智能的基础。

深度神经网络

谷歌、脸书和亚马逊等公司将机器学习应用于从客户那里获取的所有数据。这样做是为了优化用户体验和首选项。

所有公司都使用的一种特殊的机器学习方法是深度神经网络。深度神经网络的概念是基于沃伦·麦卡洛（Warren McCullough）、沃尔特·皮兹（Walter Pitts）和弗兰克·罗森布拉特(Frank Rosenblatt)在20世纪50年代提出的与神经网络相关的概念。

虽然今天的神经网络比以前的原始网络和形成网络复杂得多，但其主要思想仍然是一样的。估计给定概率的最佳方法是将问题分解成离散的、小块的信息，这些信息是由麦卡洛和皮兹创造的神经元。麦卡洛和皮茨的预言是，如果一组这样的神经元以类似于人脑的方式连接起来，那么就可以建立不同的模型来学习不同的东西。

为了理解一个神经网络，让我们考虑一张有人脸的图像。现在，如果我们有一个初级的深度神经网络，这个神经网络会有几千个节点。这些数千个节点中的每一个都将分层堆叠。

神经网络第一层的每个节点首先要找的是一条直线或一条曲线。一旦初步分析完成，神经网络的第二层将寻找更高级的形状，如圆形。在第三层，搜索多个参数，如白色圆圈中的黑色圆圈，这是在深度神经网络中人眼的识别方式。

当算法最终到达最后一层神经元时，每个神经元都能够识别高级形状。该算法可以根据最后一个神经元的检测结果来判断人脸的真伪。