没有基础的人可以转机器学习吗？机器学习需要一定的数学基础，如果没有相关的理解，就需要重新学习。转行机器学习并不是人人都适合，能不能转行要看自己的情况。机器学习入门有一定的门槛，必须谨慎决定。任何机器学习系统的关键部分都是数据。考虑额外的算法、巧妙的编程和选项以获得更大量更精确的数据。什么是机器学习？机器学习是人工智能的一个子集，它使用机器从以前的经验中学习。与开发人员需要预测每个潜在条件进行编程的传统编程不同，机器学习解决方案可以根据数据有效地调整输出。机器学习算法实际上并不编写代码，而是构建现实世界的计算机模型，然后在数据上训练模型。机器学习原理：垃圾邮件过滤是使用机器学习技术学习如何从数百万封电子邮件中识别垃圾邮件的一个很好的例子，它使用统计技术。示例：如果每100封包含“便宜”和“伟哥”字样的电子邮件中有85封被视为垃圾邮件，我们可以说它有85%的概率是垃圾邮件。并通过结合其他几个指标（例如，从未给你发过电子邮件的人），使用数十亿封电子邮件进行算法测试，并随着训练次数的增加而提高准确性。深度学习不等于人工智能，它只是一种算法，和普通的机器学习算法一样，是一种解决问题的方法。如果真的要区分的话，人工智能、机器学习和深度学习，三者之间的关系大概如下图所示。人工智能是一个大概念，机器学习是它的一个子集，深度学习是机器学习的一个子集。深度学习并不是一项新技术。深度学习的概念起源于人工神经网络的研究。早在20世纪40年代，在通用计算机出现之前，科学家们就提出了人工神经网络的概念。那时候计算机刚刚开始发展，速度很慢。最简单的网络要训练好几天，效率极低。因此，此后十年并没有得到广泛应用。近年来，随着计算能力的提高和GPU、TPU的应用，神经网络得到了长足的发展。与机器学习方法一样，深度学习方法也可以分为监督学习和非监督学习。例如，卷积神经网络（CNN）是深度监督学习下的机器学习模型，深度置信网络（DBN）是无监督学习下的机器学习模型。.深度学习的“深度”是指从“输入层”到“输出层”经历的层数，即“隐藏层”的层数。层数越多，深度越深。因此，选择问题越复杂，需要的深度层数就越多。除了层数多，每一层的“神经元”——小圆圈的数量也多。例如AlphaGo的策略网络有13层，每层神经元数量为192。深度学习的本质是通过建立隐藏层多、训练数据海量的机器学习模型，学习到更多有用的特征，从而达到最终提高分类或预测的准确性。
