机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。学习是人类具有的一种重要智能行为，但究竟什么是机器学习，长期以来却众说纷纭。社会学家、逻辑学家和心理学家都各有其不同的看法。那么机器学习到底是什么？直白来说，机器学习就是运用集成运算单元根据人类大脑的学习方式，进行模拟学习的一类学科。
举个简单的例子，假设今天周一，机器人‘小明’要去上学，下雨了就没法去学校了，那么我们需要让小明知道如果下雨，那么不去上学；如果天晴，那么就去上学。这事给小明一个训练集（类似于练习题，做一次，错了就给正确答案了，对了更好），经过我们人类事先给好习题和答案，小明能够知道下面这个逻辑：此时学校规定，除非雨大到水位250px才可以不来上学。
这时小明又要开始判断了。当雨水不足以阻挡小明去上学，那么问题又来了？小明是该打车去还是坐公交去呢？假如第一标准是八点之前必须到学校，第二标准是尽量不要淋雨，第三标准是花的钱要少。假设三个标准的权重分别是0.5，0.3，0.2 。此时小明要对已经比较复杂的状况进行选择了。如果小明考虑小明怎么走路才能更有效率，在中途打车时怎么跟司机交流呢？司机不可能只说一句话吧。
如果小明能应对司机所说的每句话，假设司机一般只说3类话（上车，去哪，多少钱）。每一类话的表达方式有很多种吧（‘来，上车’、‘小伙子快上来外面有雨’），假设每类话有30种可能，那光跟司机交流的可能话语就有30的3次方中可能，也就是说需要2.7万个谈话练习题（样本）就能保证小明能跟司机完成最基本的交流。在不断的扩充练习题（训练样本）进行训练学习，机器人“小明”会越来越聪明，这就是机器学习。
2017年机器学习面临解决的十大问题是什么？
1. 记忆网络。我们必须意识到，人工智能需要更大的工作记忆空间存储信息。2. 可微神经控制。我们要寻找放大这些人工智能的办法，因为它们也是有潜能的。3. 目标检测。在电脑视觉和机器学习领域，图像识别和定位仍然是一个难题。让我们在2017年让这些问题成为过去。4. 注意力。我们需要充分利用神经网络的注意力。
目前这一问题尚未得到解决，但是，利用好电脑资源非常重要。5. 推理。一个能自动推理的机器学习系统才是最棒的。6. 我们不能再有“一切都是可微的”的想法，因为真正复杂的人工智能往往都涉及非常强的智能系统，而它们并不是轻易可微的。简化可微问题的引入意味着我们永远只能拥有很简单的机器学习系统。当然，这只是我个人的观点。
