机器学习算是人工智能的一个分支，所以让我们从人工智能说起。

精确定义人工智能很难，大概就是机器获得了类似人类的智慧，甚至成为了超人：

很长的一段时间人工智能只是一个幻想，直到20世纪40年代电脑的出现，才有一批科学家开始严肃地探讨实现的可能性。经过快一个世纪的努力，逐渐取得了一些成果，比如自动驾驶：

比如两足机器人：

当然，这些离人工智能的完全体还差之甚远，需要我们继续加油接力。

刚才提到的自动驾驶要不断观察周围的环境，以及判断观察到的是障碍还是道路，这需要“机器视觉”和“机器学习”；两足机器人必须不断调整身体的平衡，这就是“自动化控制”。这些都是人工智能的分支，除此之外还有很多（下面列举的只是冰山一角）：

我们的课程会关注其中一个分支，“机器学习”。

下面再详细解释下自动驾驶，方便我们进一步理解“机器学习”到底是什么？

自动驾驶中需要通过“机器视觉”不断看到周围的物体：

然后通过“机器学习”来辨识出这些物体是什么。比如识别出人（person）、车（car）、交通灯(traffic light)等等：

学会辨识图片的过程是这样的，比如输入大量的车辆的图片给机器“学习”（具体怎么学，就是本课程所要探讨的），最后它就会知道这些图片代表的是车（car）：

这个过程和人类的学习过程类似，所以称为机器学习。

“机器学习”最重要的是“预测”，比如刚才通过大量的图片学会什么是车后，再来一张没有见过的车辆的图片，我们希望机器可以做出正确的判断：

因此“机器学习”包含两个部分，这也是我们课程最关心的两个部分：

• 训练：比如提供大量的汽车图片给机器“学习”，教会机器什么是车，这就是训练
• 预测：训练结束后，我们需要机器可以对没有见过的图片进行判断，并且要保证一定的正确率，这就是预测

如果要解决的问题符合以下三条，可以考虑运用机器学习：

• 要解决的问题中存在某种模式
• 这种模式不容易直接定义
• 有足够的数据可以帮助我们找出该模式

下面还是借助自动驾驶的例子来解释下这三条。

各种车之间是存在共同之处的，也就是存在某种模式的，这样才具备学习的可能性。所以在“自动驾驶”的例子中，才可以通过学习已知的图片来判断未知的图片：

车辆之间存在的模式不容易直接定义，也就是很难清楚地定义到底什么是车。假如定义车有四个轮胎，但实际要复杂得多，比如下图中右侧有一辆红车被遮挡了一半，只能看到两个轮胎：

很显然，有足够多的汽车照片可以帮助机器找出该模式的：

举个例子吧（课程中有更多的例子），比如行星的运行轨道适合用机器学习来预测吗？

我觉得应该是不适合的。因为：

• 行星的运行轨道肯定是存在某种模式的，即符合物理定律
• 这些物理定律是非常确定的，用定律来预测行星轨道是非常准确的
• 如果用过往的行星轨道数据进行机器学习，从而预测行星轨道，很有可能效果反而不好

总结下，机器学习是人工智能的一个分支。它包含两个重要步骤，先通过已有数据来训练，然后对未知数据进行预测，这和人类学习的过程类似：

当要解决的问题符合以下三条，可以考虑运用机器学习：

• 要解决的问题中存在某种模式
• 这种模式不容易直接定义
• 有足够的数据可以帮助我们找出该模式