机器学习与深度神经网络概述

可以编程解决的问题，应该具有两个特征：

1. 人类可以（至少理论上可以）解决
2. 人类可以说明白如何在有限步骤内解决此问题

自计算机发明以来，人类一直在按照这个思路设计程序：直接编排指令以使计算机完成特定的任务。我们日常所使用的软件，几乎全是以这种思路编写。

尽管这种思路已经取得了巨大的成功，但是仍存在一些任务（有些甚至是极其简单的），在这种框架下难以完成。

图中有多少只喵？

此类对于人类而言仅需要耐心便可解决的问题，用传统思路编程解决却极为困难，因为你无法分布说清楚为何某处是一只猫而不是一只狗、为何这不是一块毯子、为何有的地方一条尾巴也算一只猫，但图上有些猫却没有露出尾巴……

也许通过精雕细琢，使用传统方法数清楚这些猫也是可以实现的（之前有人嘲笑百度自动驾驶的核心代码堆了上万个if）。但若有数狗的任务，一切又要重来。这显然不是人么想要的算法。

机器学习的优势，在于部分移除了“人类可以说明白”这个限制，仅需要人类可以做到，便可以以人类做出的例子为基础，通过反复训练机器学习模型而使程序自行“学会”执行该任务所需的知识。

机器学习是一类算法的统称。近年来，机器学习算法中神经网络这一分支热度较高，但神经网络不是机器学习的全部。

除图上算法之外，发展较为成熟的机器学习还包括SVM分类器、决策树等，这里不再展开阐述。