机器学习作为实现人工智能的核心方法，通过特定算法从数据中自主学习，获得完成目标任务的技能。
与传统基于知识的方法相比，机器学习有可能突破人类现有知识的上限，发现人类尚未察觉的新规律、新方案，甚至展现出"超人"般的智能。
如今，人工智能展现出的强大能力------包括人们常谈论的AI 威胁，很大程度上源于机器学习：只有通过自主学习的机器，才有可能超越其创造者，具备难以预料的强大能力。
样例：区分水果
目标：对苹果和桔子进行分类, 将这一目标表示为数学形式，即希望分类正确率越高越好，或错误率越低越好。
知识：例如，"又大又红的更可能是苹果，而较小且颜色偏橙黄色的是桔子"。
模型：构建一个简单模型，如 Y=a × 颜色 + b × 大小，其中 a 和 b 为待学习的参数。
数据：收集苹果和桔子的样本，并分别标记（例如，苹果标记为 T=1，桔子标记为 T=0）。算法：通过调整 a 和 b 的值，使得预测值 Y 尽可能接近标记 T。
完成学习后，就得到了一个能够对苹果和桔子进行分类的模型。
图中的蓝色直线代表模型对应的分类边界，上方为苹果，下方为桔子。对于新样本，只需判断其位于分类边界的哪一侧，即可确定其归属。
知识卡片
机器学习是利用恰当的算法，从数据中获得经验，对基于知识设计的初始模型进行改进，从而更有效地完成任务目标的方法。
机器学习的主要成份包括：
知识： 提供大框架、设计准则、初始模型结构。例如，图像中物体的类别具有空间不变性。
模型： 是知识累积的场所。例如，图像识别所用的卷积神经网络。
数据： 是学习的粮食，是知识源。例如，大量带标签的图像数据集。
目标： 是学习的方向，定义了系统要优化的指标。例如，最小化图像分类错误率。
算法： 是学习的具体步骤。例如，反向传播算法。