1樓：桂能
1.所謂學習，就是讓機器像人一樣去做事
2.這裡的做事，需要形式化一下，就是我們首先要定義乙個任務，比如說0-1分類，那麼任務描述起來就是對於乙個東西（樣例）x我們給他乙個標記0或者1。這就是最簡單的任務了，所以如果形式化就是，我們要找乙個對映f(x)->y 其中y屬於(0,1)。
3.那麼現在所謂機器學習是要幹啥，是讓人先做一做這個事情，讓機器看著，然後求這個f，假如這個f跟人做的一樣好，那麼我們就說在這個0-1分類任務上，機器「學習」到了人的能力，因為人的這個能力是給x打標籤，機器在看完人這麼做之後，現在也可以幹這個事情了，那麼你說機器是不是在「學習」了。所以機器學習的學習，是說有個程式，他的輸入是一堆標記資料(x1,y1),(x2,y2),...
,(xn,yn)輸出是乙個對映f，這個f能夠做乙個特定的任務，著就是學習了。
4.有了上面「什麼是學習」的概念以後，我們就可以回答，為什麼可以「學習」了，學習是看一堆已有的樣例，去求那個對映，這實際上是給你一些東西讓你去求未知的東西，這就是個取樣問題了，就是原來有一堆資料，我只能給你看幾個，那麼我想讓你猜我原來的資料的一些特性，所以機器學習的理論基礎就變成了sampling。
5.有了這個理論基礎，可以回答能不能學習的問題了，如果你可以通過取樣來估計未知全量資料的某個特性，那麼我們就說這個東西是可學習的，不過這裡有乙個問題，就是機器學習的sampling是給定的，所以你不能設計取樣策略，只能根據已有的樣點去求解。
2樓：吳海波
建議讀下各大名著的Introduction，比如prml的，我最近在讀的Deep Learning （
Ian Goodfellow
Yoshua Bengio
Aaron Courville）的part 1，都是不錯的，然後實踐去理解。
個人覺得這種問題，自己的學習過程中理解會經常變，所以想拿到乙個『直接』答案並不是很靠譜。並且，這類問題太寬泛，意義不是很大，可以去翻一些guide，然後參考入門。
PS：從心態上講，經常追求快速學習所謂『本質問題的『答案，往往得不償失，自己花時間取深入還是免不了。
為什麼有的父母喜歡把孩子當作學習機器
般若 因為大多數父母被社會的現實所同化，只會以功利化的教育視角評判孩子，以至於孩子只能不停地學，而喪失了生命本該有的狀態，一點一點消磨孩子本有的靈性，對周邊一切的感知逐步麻木。如果父母不希望孩子將來過得幸福，就繼續把孩子當做學習機器吧。真正有智慧型的父母，是從內而外地啟動孩子的動力勢能，讓孩子有自我...
如何系統性的學習機器視覺
knnay 站在2020年來看，卷積神經網路是機器視覺領域不可或缺的方法。卷積神經網路的較新變體，包括深度殘差網路 深度殘差收縮網路，建議學習一下。深度殘差網路 殘差收縮網路 1 2 是一種整合了自適應軟閾值化的殘差網路，更適合強噪 高冗餘資料。適合含噪資料的 深度殘差收縮網路 做機器視覺的銷售的話...
除了深度學習，機器學習領域近年來還有什麼熱點嗎？
BugCreater 機器學習在NLP中的每個應用都會很火，包括但不限於句法依存，指代消解，關鍵字，摘要提取，篇章關係，資訊抽取以及智慧型推理等 謝澎濤 Bayesian methods,諸如probabilistic graphical models，Bayesian nonparametrics...