機器學習到底適合哪些人羣？這個問題困擾着很多人，尤其是還在校園裏上課的學生主要針對的是大
三大四即將要畢業的畢業生，和研究生以後要面臨的方向。
機器學習是研究計算機怎樣模擬或實現人類的學習行爲，以獲取新的知識或技能，重新組織已有的知
識結構使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及
人工智能的各個領域，它主要使用歸納、綜合而不是演繹。
什麼樣的人適合機器學習？
1、首先是有極大的興趣
2、是個人的基礎比較好：一是編程基礎、數據結構算法都很好，二是高數基礎，比如概率論、線性
代數、微積分、幾何、優化理論等等
3、周圍有土壤，有小環境，不管是業餘的，還是工作團隊，還是網絡小組 滿足這樣的條件，基本
上可以去學機器學習，另外還要有堅強的毅力，良好的自制力。這一點其實很重要，前面都是知識可以
去彌補，但是沒有毅力沒有自制力，很容易半途而費。
什麼樣的人不適合機器學習？ 不適合的條件不太好寫，從我身邊的人總結來看，說幾點，大家不要
介懷
1、目標不堅定，容易漂移,不能腳踏實地
2、數學基礎很差
3、不知道學以致用，單純爲學而學
學習機器學習人工智能這些東西其實真的很不容易，很多時候，不是說你看完了某幾本書或者看完了
論文集就學會了，只能說你看過了這些書，知識掌握沒掌握還不定。有人說看見那麼多的數學公式頭就
暈了，說這話的同學最好就別學了。因爲本身數學這東西不是說你查查工具書就可以的，有很多定理原
理性的東西，不鑽進去看是不行的，從來沒有那個人說手邊放一本數學書就可以學機器學習了，所以大
家不妨列個書單目，從基礎入手，一步步夯實基礎，每天投入4-5個小時，持之以恆，一定可以有所收穫
。前幾天看過一個帖子，一個高中肄業生富士康員工用了2-3個月時間學習編程，也找到了很不錯的編程
工作。
學習能力是智能行爲的一個非常重要的特徵，但至今對學習的機理尚不清楚。人們曾對機器學習給出
各種定義。H.A.Simon認爲，學習是系統所作的適應性變化，使得系統在下一次完成同樣或類似的任務時
更爲有效。R.s.Michalski認爲，學習是構造或修改對於所經歷事物的表示。從事專家系統研製的人們則
認爲學習是知識的獲取。這些觀點各有側重，第一種觀點強調學習的外部行爲效果，第二種則強調學習
的內部過程，而第三種主要是從知識工程的實用性角度出發的。
機器學習在人工智能的研究中具有十分重要的地位。一個不具有學習能力的智能系統難以稱得上是一
個真正的智能系統，但是以往的智能系統都普遍缺少學習的能力。例如，它們遇到錯誤時不能自我校正
；不會通過經驗改善自身的性能；不會自動獲取和發現所需要的知識。它們的推理僅限於演繹而缺少歸
納，因此至多隻能夠證明已存在事實、定理，而不能發現新的定理、定律和規則等。隨着人工智能的深
入發展，這些侷限性表現得愈加突出。正是在這種情形下，機器學習逐漸成爲人工智能研究的核心之一
。它的應用已遍及人工智能的各個分支，如專家系統、自動推理、自然語言理解、模式識別、計算機視
覺、智能機器人等領域。其中尤其典型的是專家系統中的知識獲取瓶頸問題，人們一直在努力試圖採用
機器學習的方法加以克服。