隨著近來數據可用性，算力和新算法的快速發展，機器學習已逐漸成為實現人工智能（AI）的關鍵方法之一。
機器學習是計算機科學更廣泛領域中人工智能的一個子集。它用計算機和算法從“數據”中學習并發現“模式和洞察”，因為在許多情況下，“模式和洞察”就隱藏在“數據”之中。隨著時代發展，從業務流程中積累的數據對人類來說理解起來可能非常復雜。然而算法卻能夠比人更快、更準確地從數據中發掘出“模式和洞察”。
機器學習分為兩類技術：監督學習和無監督學習。監督學習是指在已知的輸入和輸出數據上訓練模型以使其可以預測未來的輸出數據，無監督學習則是在輸入數據中發現隱藏模式或內在結構。
機器學習的過程本質上是非常簡單的：找到模式、應用模式， 這很大程度上要歸功于Geoffrey Hinton在1986年的一項發明，今天我們稱他為深度學習之父。
什么是深度學習？
深度學習是一種“深層”神經網絡，它包括許多層神經元和海量數據。 這種先進的機器學習方式可以解決復雜問題，非線性問題 ，并且很多AI突破都與之相關，例如自然語言處理（NLP），個人數字助理和自動駕駛汽車。
什么是神經網絡？
神經網絡，又稱人工神經網絡，是一種模擬神經元在人腦中工作方式的機器學習。 該計算機程序使用多個節點（或“神經元”）并行操作，可以用于學習事物、識別模式以及模擬人類決策。
機器學習如何工作?
機器學習通常包含4個關鍵步驟：

1、數據預處理：范圍縮放，缺失值插補

2、特征工程：特征提取，特征編碼

3、模型選擇

4、超參數優化
機器學習工程師或數據科學家在為特定任務構建機器學習流程時必須仔細設計每個步驟， 這些步驟通常是相互依賴的。 此外，設計和優化這些步驟需要深入了解各種算法，例如線性回歸、邏輯回歸、決策樹、樸素貝葉斯、K近鄰法、隨機森林、梯度提升算法等。只有了解這些算法的優缺點以及數據編碼才能夠做好工作。
然而，這種傳統的機器學習流程對人的依賴度非常高，并非所有企業都有資源投資于經驗豐富的數據科學團隊。 而且一些數據科學家也缺乏足夠的專業知識來分析不同的數據集并構建機器學習模型。
為了使機器學習更易使用，減少所需的人工專業知識并提高模型性能，自動化機器學習（AutoML）已經成為研發和商業應用的一個令人興奮的新興領域。
自動化機器學習是將機器學習應用于現實問題的全鏈自動優化的過程。 它本質上關注兩個主要方面 - 數據收集和數據預測，中間發生的所有其他步驟都可以輕松實現自動化，同時提供經過優化并準備好進行預測的模型。

為什么機器學習這么重要?
機器學習為我們今天使用的許多服務提供了驅動力，如優酷，淘寶，今日頭條的推薦系統;百度和必應等搜索引擎;微博和微信這樣的社交媒體;Siri和天貓精靈這樣的語音助理，這樣的名單還很長。
所有這些例子都表明機器學習在當今數據豐富的世界中已經開始發揮關鍵的作用。機器可以幫助我們篩選出有助于獲得重大突破的有用信息，我們已經看到這種技術在各行各業中的廣泛應用，如金融，醫療，保險，制造，轉型變革等。
有了自動化機器學習，數據科學家可以通過自動執行重復性任務來提高工作效率。這使他們能夠更多地關注解決問題本身而不是建模過程，并加快整個機器學習過程。傳統機器學習整個過程中都需要人工干預，自動化機器學習流程還有助于避免人為錯誤。最終，自動化機器學習通過讓每個人都可以使用機器學習，甚至是那些在這個領域沒有專業知識的人，從而使AI變得更加普及。