机器学习是AI的一个研究分支，有别于专家系统等基于规则的老式AI。下面通过一些维度，简要阐述下机器学习。
1、 机器学习所需要的数学基础
1）《高等数学》
需要掌握的知识点包括微分(导数)、积分，其中微分是理解梯度下降法的关键基础。
2）《线性代数》
需要掌握向量、矩阵加减乘运算，另外需对SVD(矩阵奇异值分解)的应用有所了解。
3）《概率论与数理统计》
概率是人工智能最重要的数学基础，可以说人工智能里的一切皆为计算概率而生，需掌握概率的常见分布，比如：均匀分布、正态分布，以及概率密度函数、大数定律和中心极限定理，参数估计等。
4）《信息论》
需了解香农提出的熵理论及其计算方法。
2、机器学习中的任务类型
机器学习中的任务有两类：分类和回归。
1）分类任务
对应数据集的标签表示的是离散数据类型，图像分类、物体检测、图像分割、语音识别等任务就是分类任务。
2）回归任务
对应数据集的标签表示的是连续数据类型，比如预测房价、年龄就是回归任务。
3、机器学习采用的编程语言
可以使用任何语言，但AI圈子里主流的编程语言采用的是python，其提供的支持库也较为完善。
4、机器学习三剑客
1) Numpy
Numpy是一个高性能科学计算库，提供了大型矩阵的计算方式，其底层采用C++编写，因此运行效率非常高效。
Numpy是机器学习和深度学习中底层最重要的支持库，后面的机器学习框架SkLearn，深度学习框架Pytorch、TensorFlow等，都是基于Numpy的封装，可以说是铁打的Numpy，流水的上层框架。
下面是使用Numpy编程的一个例子:
2) Pandas
主要用于读写关系表，操作起来比较方便，可根据列名或行名来操作某列或某行，一般在金融领域使用比较多。
3) Matplotlib
是一种数据可视化工具，用于观察数据特征、分布、噪声点、算法执行效果等。
图2 Matplotlib的使用示例
5、机器学习框架SkLearn
SkLearn是机器学习框架中的王者，凭借其良好的封装、易用性和运行性能，几乎干掉了一切其他机器学习框架。
SkLearn共包含分类、回归、聚类、降维、模型选择和预处理六大模块，其提供了常见的机器学习算法，比如：KNN(最近邻)、朴素贝叶丝、决策树、随机森林、支持向量机等，此外还提供鸢尾花、波士顿房价预测、乳腺癌预测等小数据集。
图3 SkLearn六大模块