在定义机器如何学习之前，首先需要定义“学习”。日常生活中，当说到“学习”时，指的是“通过学习、经验或者接受教育来获得知识”。

结合我们的主题，可以把机器学习看作使用算法从数据样本中获取其结构描述的做法。计算机学到一些关于结构的信息，这代表原始数据中的信息。

结构描述是所构建模型的另一种说法，包含着从原始数据中提取的信息。我们可以使用这些结构或模型来预测未知数据。结构描述（或模型）可以呈现为多种形式，其中包括

• 决策树：
• 线性回归
• 神经网络的权重

每种类型的模型使用不同的方式，将规则应用于已知数据，从而预测未知数据。

• 决策树以树结构的形式创建一组规则：基于树形结构的算法，通过一系列的决策规则来进行预测。递归地将数据集划分为更小的子集，直到子集中的样本属于同一类别（分类）或具有相似的值（回归）。
• 线性模型创建一组表示输入数据的参数。
• 神经网络有一个所谓的参数向量，用于表示网络中节点之间连接的权重。

人工智能是个广阔的领域，且已经存在了很长时间。深度学习是机器学习领域的一个子集，是人工智能的子领域。

生物学上的神经网络（大脑）大约由 860 亿个神经元组成，每个神经元与许多其他神经元相连。