機器學習不只是乙個資料庫或程式設計問題，它也需要人工智慧。處在變化環境中的系統應該具備學習能力，否則，我們很難稱之為智慧型。如果該系統能夠學習並適應這樣的變化，那麼系統設計者就無需預見並為所有可能的情況提供解決方案。
對我們來說，系統設計師是進化來的，我們的身形以及內在的直覺和反應已經進化了數百萬年。我們也學會在一生中改變我們的行為，這有助於我們應對環境中的變化，這些變化無法通過進化來**。在定義明確的環境中具有短暫生命的有機體可能會內建所有行為，但是，比起為我們在生活中可能遇到的所有環境都直接寫下各種行為，進化給了我們大腦和學習的機制，以便我們可以通過經驗更新自己並適應不同的環境。這就是為什麼人類能夠在世界上不同的環境和條件下生存並繁榮的原因。當我們在某種特定情形中學到了最佳策略，該知識就會儲存在我們的大腦中，當該情形再次出現時-當我們認出這種情況時（「cognize」的意思是知道）-我們會回想起合適的策略並採取相應的行動。
我們每個人，事實上每個動物，都是資料科學家。我們通過感官收集資料，然後處理這些資料得到抽象規則，以認知我們的環境、控制我們的行為，從而使我們的痛苦最小化並/或我們的快樂最大化。我們通過記憶把這些規則儲存在大腦中，然後在有需要時再回憶並使用這些規則。學習是終生要做的事。當這些規則不再使用時，我們會忘記它們，當環境發生變化時，我們會改進它們。
學習也有其侷限性。我們的大腦能力有限，有些事情可能我們永遠也學不會，就像我們永遠「學不會」長出第三個胳膊，或將眼睛長在後腦勺上---這些事情需要更改我們的基因組成才能做到。粗略地講，基因定義了祖祖輩輩使用的硬體，而學習定義了乙個人一生中在該硬體上執行（並受到約束）的軟體。
人工智慧從大腦的運作方式上獲得靈感。有些認知科學家和神經科學家，他們的目標是理解大腦的運作方式。為了該目標，他們構建了神經網路模型，並進行了模擬研究。但是人工智慧是電腦科學的一部分，我們的目標是在各個工程領域構建有用的系統。所以，儘管大腦給了我們啟發，但是最終我們卻並不關心我們開發的演算法的生物合理性。
我們之所以對大腦感興趣，是因為我們認為它可以幫助我們構建更好的計算機系統。大腦是一種資訊處理裝置，它具有不可思議的能力，超越了當前許多領域的工程產品-例如，列舉三個有視覺、語音識別和學習。如果在機器上實施，這些應用具有明顯的經濟效用。如果我們能夠理解大腦如何執行這些功能，我們就可以將這些任務的解決方案定義為正式的演算法並在計算機上實現它們。
曾經計算機被稱為「電子大腦」，但是計算機和大腦並不同。通常計算機具有乙個或幾個處理器，而大腦卻擁有大量的處理單元，也就是神經，並行處理。儘管細節尚不完全清楚，但人們認為處理單元比計算機中的典型處理器更簡單更慢。使大腦不同並被認為是為其提供了就算能力的是大腦龐大的連通能力。大腦中的神經元和成百上千的其它神經元有連線，被稱作突觸，它們並行操作。在計算機中，處理器處於活躍狀態，而記憶體是分離且被動的，但是人們認為在大腦中處理和記憶是通過網路分布在一起的，處理是由神經元完成的，記憶發生在神經元之間的突觸上。
第一章 為什麼我們對機器學習感興趣？（六）
六 所有這些資料 資料 所有電腦化機器和服務所產生的資料曾經都是數位化技術的副產品，計算機科學家已經對資料庫進行了大量研究以有效的儲存和處理海量資料。因為我們不得不儲存資料。過去二十年的某個時候，這些資料變成了一種資源，現在，更多的資料是一件幸事。例如，想想一家連鎖超市，每天通過全國各地的實體店或是...
第一章 為什麼我們對機器學習感興趣？（四）
四 移動計算機應用 每十年我們都會發現電腦越來越小。20世紀90年代中期，隨著電池技術的進步，可以使用電池的可攜式電腦或者膝上型電腦開始普及，開啟了移動計算機應用的新時代。此時蜂窩 也開始流行起來。大約在2005年左右，這兩項技術都融入到智慧型手機。智慧型手機既是手機也是電腦。隨著時間的推移，智慧型...
第一章 為什麼我們對機器學習感興趣？（二）
二 計算機資料儲存 計算機的強大之處在於，任何資訊都可以用數位化 也就是位序列 處理任何資訊都可以編寫計算機指令來操作這些位序列。1960年資料庫誕生了，這是數位化帶來的結果之一。資料庫是專門用來儲存和運算元據的電腦程式，或用數位化的形式表示資訊。外圍裝置 如磁帶或磁碟 會把二進位制位儲存起來，這樣...