一、机器学习的实质在于。
大部分的机器学习本质上都是一个最优化问题，也就是寻找模型参数（优化变量），使得损失函数（目标函数）最小，同时为了避免过拟合，加入正则项，也就是约束要优化的参数。深度学习是机器学习的一个分支，它用于分类时，也是一个最优化问题。而一般的最优化问题不容易求解，是因为容易陷入局部最优解，而不能得到全局最优。如果这个最优化问题恰巧是一个凸优化问题，则可以高效地求解出模型最优解，这是因为，根据凸函数的性质，局部最优就是全局最优。
二、如何入门Mathematica机器学习和神经网络
机器学习是目前实现人工智能最主要的方式。输入给程序，以及程序自行学习到的规律，就是机器学习算法。这个程序就是一个机器学习的系统。神经网络是一种模拟人脑，取其精华去其糟粕的计算架构；利用神经网络进行机器学习，则让计算机不再只是执行命令的机器，具有了一定程度上举一反三的能力。而将这个能力利用到造福人类的地方，就叫人工智能。
三、神经计算原理和神经网络与机器学习两本书有什么区别
学人工智能的话，先看机器学习吧，它是人工智能的核心，接着再看神经网络或自然算法等。
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
人工神经网络（Artificial Neural Network，即ANN ），是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
