继实验楼推出 Python 实战和 Linux 实战内容之后，正式上线机器学习实战课程。课程将围绕机器学习原理，使用 Python 语言进行实践，最终期望学员能达到初级机器学习工程师水平。

接下来，将通过 4 个问题，希望你能对机器学习以及本课程有更深入的了解。

目录索引

问题 1：什么是机器学习？ 问题 2：机器学习能干什么？ 问题 3：机器学习、深度学习和人工智能的关系？ 问题 4：学习机器学习（本课程）需要具备的前提条件？

问题 1：什么是机器学习？

想要入门机器学习，那么就需要了解什么是机器学习？机器学习一个十分经典的定义来自于计算机科学家 汤姆·M·米切尔 于 1997 年出版的《机器学习》专著，这句话的原文如下：

A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P if its performance at tasks in T, as measured by P, improves with experience E.

翻译成中文就是：

对于某类任务 T 和性能度量 P ，如果一个计算机程序在 T 上以 P 衡量的性能随着经验 E 而自我完善，那么我们称这个计算机程序在从经验 E 学习。

你可能会觉得上面这句定义太学术，甚至读了多遍都没有理解到其中要准确表达的意思。简单来讲，这句话强调的是「学习」，而核心意义就是：计算机程序通过累计经验来获得性能的提升。

其中，计算机程序的核心就是我们所说的「机器学习算法」，而机器学习算法则来源于基础数学理论和方法。有了可以自主学习的算法，程序就可以从训练数据中自动分析获得规律，并利用规律对未知数据进行预测。

问题 2：机器学习能干什么？

近两年来，机器学习概念非常火。但是，当年回顾机器学习的发展史，你会惊讶于早在几十年前，这门学科就已经有所突破。为什么感觉这些年才火热起来呢？

其实，如今机器学习概念热门的原因之一，就是近年来找到了一些机器学习合适的应用场景。例如，各类新闻站点利用机器学习向你推进「符合胃口」的资讯。特斯拉、Uber、百度自动驾驶车上路，也是机器学习在为之领航。安检口的人脸识别、天气交通的精准预报都得益于机器学习的应用。

从 机器之心 的统计数据来看，目前机器学习的主要商用场景集中于：医疗健康、工具软件、商业服务、消费零售、金融等领域。除了上面提到的推荐系统、自动驾驶等应用实例，机器学习目前还可以用于智能客服平台、智能门诊系统、信贷风险评估、欺诈检测、视觉识别等各类行业。

所以，机器学习能做的事情非常之多。可以这样说，几乎每个行业都有机器学习的用武之地，几乎每个流程都可能引入机器学习进一步优化。

问题 3：机器学习、深度学习和人工智能的关系？

我们经常会从媒体报道及学术资料中看到机器学习、深度学习、人工智能三个不同的名词，但往往又捉摸不透几者之间的关系。它们之间是包含，交叉，还是完全独立呢？

这里，我们引用资深科技记者 Michael Copeland 文章中的部分观点进行解释。三者中，最先出现的概念是人工智能，它是于 1956 年由 John McCarthy 提出。当时，人们渴望设计出一种「能够执行人类智能特征任务的机器」。

之后，研究人员构思出机器学习的概念，而机器学习的核心是寻求实现人工智能的方法。于是就出现了朴素贝叶斯、决策树学习、人工神经网络等众多机器学习方法。其中，人工神经网络（ANN）是模拟大脑生物结构的一种算法。

再到后来，就出现了深度学习。深度学习的关键在于建立具有更多神经元、更多层级的深度神经网络。我们发现，这种深度神经网络的学习效果在图像辨识等方面甚至超越了人类。

所以，关于上述 3 个概念，可以总结出如下所示的关系图。其中，机器学习是实现人工智能的手段，而深度学习只是机器学习中的一种特定方法。

问题 4：学习机器学习（本课程）需要具备的前提条件？

或许你已经对机器学习产生了兴趣，但又不清楚自己是否适合学习。所以，第四个问题将告诉你学习本课程的前提条件，及如何去达到这些前提条件。

首先，《楼+ 机器学习实战》课程将会使用 Python 语言作为代码实战过程中唯一的编程语言。除了 Python 语言具备语法简单，上手快的特点。选择其的另一个重要原因是目前在机器学习领域，最优秀的开源项目和工具几乎都提供了对 Python 语言的支持。

如果你对 Python 3 还不够了解和熟悉，那就非常推荐学习实验楼免费基础课程：《Python3 简明教程》。课程地址：https://www.shiyanlou.com/courses/596

其次，为了更好地理解机器学习算法原理，你需要具备一定的数学基础。如果你在大学本科阶段学习过《高等数学》、《线性代数》、《概率论》，那就完全足够了。当然，无需对这三门课程都非常熟悉，只要有印象，回忆起来就非常快了。

如果，你完全没有线性代数、数理统计等基础，也不用太担心。首先，在课程内容中，凡涉及到数学的地方，我们都会做必要的解释。另外，《楼+ 机器学习实战》将会更突出「实战」，并使用尽量容易理解的语言来介绍算法背后的原理，而非深奥理论的探索。