机器学习下包含神经网络、深度学习等，他们之间的关系表示如图2-7所示。

图2-7 关系图

那么什么是机器学习、深度学习、他们的区别又是什么呢？

2.7.1 什么是机器学习？

机器学习是 人工智能 (AI) 和计算机科学的一个分支，专注于使用数据和算法来模仿人类的学习方式（构建“学习”方法），逐步提高其准确性，模拟或实现人类的学习行为。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。

传统机器学习的研究方向主要包括决策树、随机森林、人工神经网络、贝叶斯学习等方面的研究。这些在2.6章节的OpenCV库介绍中有所提及。

机器学习是通过算法使系统自行学习和改进的过程。 机器学习的最终目标是设计能够自动帮助系统收集数据并使用该数据来学习更多信息的算法。系统应在收集的数据中寻找模式，并使用它们为自己做出重要决策。机器学习涉及到的7大步骤，如图2-8所示。

图2-8 机器学习的步骤

总的来说，机器学习正在让系统像人类一样思考和行动，展示与人类相似的智能，并赋予它们大脑。在实际应用中，常见的机器学习用于：

将垃圾邮件与正常电子邮件分类；

物体和图像识别；

检测假新闻；

理解书面或口头语言；

服务机器人；

自动驾驶汽车 ；

总之，机器学习程序可以像人类一样从经验（或者准确地说是数据）中学习。当接触到新数据时，这些应用程序会自行学习、长大、改变和拓展。换句话说，机器学习可以通过迭代达到预测和实际最小差距的预测。机器学习在未来将会被更多的应用和接受。

2.7.2 机器学习如何工作？

笔者认位，机器学习的工作原理主要分为决策和误差损失优化2部分，

机器学习过程首先将已标记的训练数据输入到选定的算法中。算法将将会对这些已标记或未标记数据进行估计，并产生预测值，然后决策是否进行参数调整。该过程称为决策过程。

如果预测和结果不匹配，算法会被重新训练多次，直到数据科学家得到想要的结果。通过误差函数（损失函数）量化预测和真实值间的差距。这使机器学习算法能够不断地自行学习并产生最佳答案，并随着时间的推移逐渐提高准确性。如果模型可以更好地拟合训练集中的数据，则调整权重以减少真实与模型预测之间的差异。该算法将重复这个“评估和优化”过程，自主更新权重，直到达到准确度阈值。

2.7.3 机器学习有哪些不同类型？

机器学习很复杂，目前主要分为3个方法，监督学习、非监督学习、强化学习。实际中，大约 70% 的机器学习是有监督学习，而无监督学习占 10% 到 20%。其余部分由强化学习承担。

公众号：视觉动力机器人