机器学习是人工智能的一个分支，作为人工智能的核心技术和实现手段，通过机器学习的方法解决人工智能面对的问题。机器学习是通过一些让计算机可以自动“学习”的算法，对数据进行分析获得规律，然后利用规律对新样本进行预测。
机器学习是人工智能的核心技术，其中深度学习是机器学习的子集。深度学习的典型应用是选择图像、视频声音或文本等多态数据训练模型，然后用模型做出预测。例如，博弈游戏系统（如深蓝）重于探索和优化未来的解空间（Solution Space），而深度学习则是在博弈游戏算法（如AlphaGo）的开发上付诸努力，取得了世人瞩目的成就。
下面以自动驾驶汽车研发为例，说明机器学习和人工智能的关系。要实现自动驾驶，就需要对交通标志进行识别。首先，应用机器学习算法对交通标志进行学习，数据集中包括大量的交通标志图片，使用卷积神经网络进行训练并生成模型。然后，自动驾驶系统使用摄像头，让模型实时识别交通标志，并不断进行验证、测试和调优，最终达到较高的识别精度。
当汽车识别出交通标志时，会针对不同的标志进行不同的操作。例如，遇到停车标志时，自动驾驶系统需要综合车速和车距来决定何时刹车，过早或过晚刹车都会危及行车安全。除此之外，人工智能技术还需要应用控制理论处理不同道路状况下的刹车策略，应用路径寻优算法导航，通过综合这些机器学习模型来产生自动化的行为。
数据挖掘和机器学习的关系越来越密切。数据挖掘是从大量的业务数据中挖掘隐藏的、有用的、正确的知识，促进决策的执行。数据挖掘的很多算法都来自机器学习和统计学，其中统计学关注理论研究并用于数据分析实践形成独立的学科，机器学习中有些算法借鉴了统计学理论，并在实际应用中进行优化，实现数据分析的目标。尽管演化计算、AlphaZero等少数机器学习算法使用的数据来自机器仿真，不是数据挖掘处理的真实业务数据，但大多数的机器学习和深度学习算法近年来逐渐跳出实验室，从实际的业务数据中学习模式，解决实际问题，从而推动了人工智能新的发展。数据挖掘和机器学习的交集越来越大，机器学习成为数据挖掘的重要支撑技术。
节选自：赵卫东，董亮编著.机器学习（第2版）.北京：人民邮电出版社，2022
京东、当当有货，欢迎批评指正
