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、演算法複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效能。
它是人工智慧的核心，是使計算機具有智慧型的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。
機器學習如此重要的原因是什麼？乙個重大突破導致機器學習成為人工智慧背後的動力 – 網際網路的發明。網際網路有大量的數字資訊被生成儲存和分析。機器學習演算法在這些大資料方面是最有效的。
神經網路 ⇱
如果我們談論機器學習時，值得一提的是機器學習演算法：神經網路。
神經網路是機器學習演算法的關鍵部分。神經網路是教計算機以人類的方式思考和理解世界的關鍵。實質上，神經網路是模擬人類的大腦。這被抽象為由加權邊緣（突觸）連線的節點（神經元）的圖形。有關神經網路的更多資訊請檢視神經網路概述。
這個神經網路有一層，三個輸入和乙個輸出。任何神經網路都可以有任何數量的層，輸入或輸出。
深度學習
機器學習演算法一直是人工智慧背後的推動力量。所有機器學習演算法中最關鍵的是深度學習。
深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現資料的分布式特徵表示。
這個神經網路有兩層，三個輸入和乙個輸出。任何神經網路都可以有任何數量的層，輸入或輸出。輸入神經元和最後一層輸出神經元之間的層是深層神經網路的隱藏層。
深度學習最好的表現是深度神經網路（dnn）。深層神經網路只是乙個超過兩層或三層的神經網路。然而，深度神經網路並不是深度學習演算法的唯一型別 -但它是最流行的型別。另乙個深度學習演算法是深度信任網路（dbn）。深層信任網路在層與層之間不直接聯絡。這意味著dnn和dbn的拓撲在定義上是不同的。dbn中的無向層被稱為 restricted boltzmann machines。
大資料與深度學習有什麼區別？
簡單來說 1 深度學習 deep learning 只是機器學習 machine learning 的一種類別，乙個子領域。機器學習 深度學習 2 大資料 big data 不是具體的方法，甚至不算具體的研究學科，而只是對某一類問題，或需處理的資料的描述。2 深度學習 deep learning 是...
大資料與深度學習有什麼區別？
簡單來說 1 深度學習 deep learning 只是機器學習 machine learning 的一種類別，乙個子領域。機器學習 深度學習 2 大資料 big data 不是具體的方法，甚至不算具體的研究學科，而只是對某一類問題，或需處理的資料的描述。2 深度學習 deep learning 是...
模式識別 機器學習 資料探勘有什麼區別和聯絡？
三者 聯絡是很緊密的，模式識別說白了就是分類，而分類可以認為是資料探勘的一部分，資料探勘主要工作有分類 聚類 關聯分析 離群點檢測等 機器學習的範圍更廣，演算法更多！但三者都要求有堅實的統計學基礎，學的越紮實越好！資料探勘和機器學習的區別和聯絡，周志華有一篇很好的論述 機器學習與資料探勘 可以幫助大...