一、機器學習的實質在于。

大部分的機器學習本質上都是一個最優化問題，也就是尋找模型參數（優化變量），使得損失函數（目標函數）最小，同時為了避免過擬合，加入正則項，也就是約束要優化的參數。深度學習是機器學習的一個分支，它用于分類時，也是一個最優化問題。而一般的最優化問題不容易求解，是因為容易陷入局部最優解，而不能得到全局最優。如果這個最優化問題恰巧是一個凸優化問題，則可以高效地求解出模型最優解，這是因為，根據凸函數的性質，局部最優就是全局最優。

二、如何入門Mathematica機器學習和神經網絡

機器學習是目前實現人工智能最主要的方式。輸入給程序，以及程序自行學習到的規律，就是機器學習算法。這個程序就是一個機器學習的系統。神經網絡是一種模擬人腦，取其精華去其糟粕的計算架構；利用神經網絡進行機器學習，則讓計算機不再只是執行命令的機器，具有了一定程度上舉一反三的能力。而將這個能力利用到造福人類的地方，就叫人工智能。

三、神經計算原理和神經網絡與機器學習兩本書有什么區別

學人工智能的話，先看機器學習吧，它是人工智能的核心，接著再看神經網絡或自然算法等。

機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，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。

人工神經網絡（Artificial Neural Network，即ANN ），是20世紀80 年代以來人工智能領域興起的研究熱點。它從信息處理角度對人腦神經元網絡進行抽象， 建立某種簡單模型，按不同的連接方式組成不同的網絡。在工程與學術界也常直接簡稱為神經網絡或類神經網絡。神經網絡是一種運算模型，由大量的節點（或稱神經元）之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。