人类易于执行而计算机难以完成的任务包括识别照片中的物体、面孔或动物，或者识别语音中的单词。另一方面，也有一些任务对计算机来说很容易，而对人类来说很难，比如处理大量数字或准确记忆大量文本。机器学习是过去几年取得最令人瞩目的成功的人工智能技术。然而，它并不是人工智能的唯一方法，还存在概念上不同的方法。机器学习也与其他科学领域有着密切的联系。首先，它与统计学有着明显的密切联系。事实上，大多数机器学习方法都利用了数据的统计特性。此外，机器学习中使用的一些经典方法实际上是在统计学中发明的（例如线性或逻辑回归）。如今，统计学和机器学习的进步之间存在着持续的相互作用。 ML 还与信号和图像处理有着重要的联系，ML 技术在这些领域的许多应用中都很有效，信号/图像处理概念通常是设计或理解 ML 技术的关键。它还与数学的不同分支有各种联系，包括最优化和微分几何。此外，ML 方法设计的一些灵感来自于对生物认知系统的观察，因此与认知科学和神经科学有着联系。最后，数据科学这个术语已经变得很普遍，指的是使用统计和计算方法从数据中提取有意义的模式。在实践中，机器学习和数据科学共享许多概念、技术和工具。然而，数据科学更注重从数据中发现知识，而机器学习则侧重于解决任务。本章首先介绍了一些关于人工智能和机器学习的历史里程碑（第 2 节）。然后，它继续介绍 ML 的主要概念，这些概念是理解本书其他章节的基础。