AI需要机器具有学习的能力，而不是’IF‘的组合。AI需要机器具有自学习的能力。
机器学习的目的：寻找一个函数，可以实现辨识功能。如：
输入一段语音序列，可以辨识出其所代表的英文，输入一张图片，可以辨识出图片中的图像，输出围棋中黑白棋子的位置，可以辨识出下一步落棋的位置，机器学习旨在找出具有此功能的函数。
如何找出机器学习的函数？
（1）找出一组function set（函数集），一组函数。
（2）Training Data：找出较好的function，在对应的function input中，函数可以输出我们的期望值。比如输入一个猫的图片，函数输出为”CAT“，根据训练资料判断function是好的还是不好的。
（3）根据上一步的判断，从function set中找出最好的function。
（4）将该函数应用于测试集。
按解的任务，分为Regression和Classification两类问题
Regression——函数的输出是一个数值
如预测未来PM2.5的函数，函数的输出为一个数值：
其中训练集如下：
以上为Regression问题的介绍。
Classification——分类问题，包括二分类和多分类问题
二分类问题：
判断邮件是否是垃圾邮件，函数的输出为是/否。
训练集为：以往的邮件为训练集。
多分类问题：
新闻分类，函数输出为”政治“、”经济“、”财经“等等。
训练集为：以以往的文章及其所在分类作为训练集。
Structured Learning——Beyond Classification
相比于一般classification问题，Structured Learning机器输出的是更复杂的。比如：输入中文，输出英文；输入一段声音信号，输出声音信号对应的中文汉字。
Function Set（函数集）解决方法分类
在进行机器学习的过程中，首先要选择function set，不同的function set会得到不同的结果，我们对解决方法做如下分类：
Linear Model
Non-Linear Model
1、Deep Learning
2、SVM
3、decision tree
4、K-NN
根据学习情景分类
Supervised Learning
以上介绍的均为激励学习。
Semi-Supervised Learning
例如：在识别猫或狗的图片中，在训练集中，有一些Labelled Data，在这些数据中，会标注图片的期望输出（标注图片是猫或是狗），在训练数据时可以判断函数输出好坏；同时也会有一些unlabelled data，在这些数据中，只有图片，没有期望输出，在Semi-Supervised Learning中，这些unlabelled data也对训练有帮助。
Transfer Learning
例如：同样是在识别猫或狗的图片中，在unlabelled data中，会有一些未标注的猫或狗的图片，同时还会有一些与猫狗图片不想关的图片，在Transfer Learning中，这些数据也会对训练有帮助。
Unsupervised Learning
无师自通情况，如只让机器自己看大量的图片，然后给系统一个输入（比如小猫图片），机器可以自己输出一个小猫的图片。
Reinforcement Learning
从评价中学习，只知道做的好或不好，不知道正确的答案，类似于人类的学习过程。