無基礎人員轉行做機器學習可以嗎?機器學習需要一定數學基礎，沒有相關的了解需要重新學習。轉行機器學習不適用所有人，可不可以轉行需要具體結合自身的情況。入門機器學習有一定的門檻要慎重決定。

任何機器學習系統的關鍵部分就是數據。考慮到額外的算法、巧妙的編程和大量的更精確的數據的選擇。

什么是機器學習?機器學習是人工智能的一個子集，即用機器去學習以前的經驗。與傳統的編程不同，開發人員需要預測每一個潛在的條件進行編程，一個機器學習的解決方案可以有效地基于數據來適應輸出的結果。

一個機器學習的算法并沒有真正地編寫代碼，但建立了一個關于真實世界的計算機模型，然后通過數據訓練模型。

機器學習原理：垃圾郵件過濾是一個很好的例子，它利用機器學習技術來學習如何從數百萬封郵件中識別垃圾郵件，其中就用到了統計學技術。

例：如果每100個電子郵件中的85個，其中包括“便宜”和“偉哥”這兩個詞的郵件被認為是垃圾郵件，我們可以說有85%的概率，確定它是垃圾郵件。并通過其它幾個指標(例如，從來沒給你發送過郵件的人)結合起來，利用數十億個電子郵件進行算法測試，隨著訓練次數不斷增加來提升準確率。

深度學習并不等于人工智能，它只是一種算法，和普通的機器學習算法一樣，是解決問題的一種方法。真要區分起來，人工智能、機器學習和深度學習，三者大概是下圖這種關系。人工智能是一個很大的概念，機器學習是其中的一個子集，而深度學習又是機器學習的一個子集。

深度學習不是什么新技術，深度學習的概念源于人工神經網絡的研究，早在上世紀 40 年代，通用計算機問世之前，科學家就提出了人工神經網絡的概念。而那個時候的計算機剛剛開始發展，速度非常慢，最簡單的網絡也得數天才能訓練完畢，效率極其低下，因此在接下來的十幾年都沒有被大量使用。近些年，隨著算力的提升，GPU、TPU 的應用，神經網絡得到了重大發展。

同機器學習方法一樣，深度學習方法也有監督學習與無監督學習之分。例如，卷積神經網絡(Convolutional Neural Networks，簡稱 CNN)就是一種深度的監督學習下的機器學習模型，而深度置信網絡(Deep Belief Nets，簡稱 DBN)就是一種無監督學習下的機器學習模型。深度學習的”深度“是指從”輸入層“到”輸出層“所經歷層次的數目，即”隱藏層“的層數，層數越多，深度也越深。

所以越是復雜的選擇問題，越需要深度的層次多。除了層數多外，每層”神經元“-小圓圈的數目也要多。例如，AlphaGo 的策略網絡是 13 層，每一層的神經元數量為 192 個。深度學習的實質，是通過構建具有很多隱層的機器學習模型和海量的訓練數據，來學習更有用的特征，從而最終提升分類或預測的準確性。