无基础人员转行做机器学习可以吗?机器学习需要一定数学基础，没有相关的了解需要重新学习。转行机器学习不适用所有人，可不可以转行需要具体结合自身的情况。入门机器学习有一定的门槛要慎重决定。
任何机器学习系统的关键部分就是数据。考虑到额外的算法、巧妙的编程和大量的更精确的数据的选择。
什么是机器学习?机器学习是人工智能的一个子集，即用机器去学习以前的经验。与传统的编程不同，开发人员需要预测每一个潜在的条件进行编程，一个机器学习的解决方案可以有效地基于数据来适应输出的结果。
一个机器学习的算法并没有真正地编写代码，但建立了一个关于真实世界的计算机模型，然后通过数据训练模型。
机器学习原理：垃圾邮件过滤是一个很好的例子，它利用机器学习技术来学习如何从数百万封邮件中识别垃圾邮件，其中就用到了统计学技术。
例：如果每100个电子邮件中的85个，其中包括“便宜”和“伟哥”这两个词的邮件被认为是垃圾邮件，我们可以说有85%的概率，确定它是垃圾邮件。并通过其它几个指标(例如，从来没给你发送过邮件的人)结合起来，利用数十亿个电子邮件进行算法测试，随着训练次数不断增加来提升准确率。
深度学习并不等于人工智能，它只是一种算法，和普通的机器学习算法一样，是解决问题的一种方法。真要区分起来，人工智能、机器学习和深度学习，三者大概是下图这种关系。人工智能是一个很大的概念，机器学习是其中的一个子集，而深度学习又是机器学习的一个子集。
深度学习不是什么新技术，深度学习的概念源于人工神经网络的研究，早在上世纪 40 年代，通用计算机问世之前，科学家就提出了人工神经网络的概念。而那个时候的计算机刚刚开始发展，速度非常慢，最简单的网络也得数天才能训练完毕，效率极其低下，因此在接下来的十几年都没有被大量使用。近些年，随着算力的提升，GPU、TPU 的应用，神经网络得到了重大发展。
同机器学习方法一样，深度学习方法也有监督学习与无监督学习之分。例如，卷积神经网络(Convolutional Neural Networks，简称 CNN)就是一种深度的监督学习下的机器学习模型，而深度置信网络(Deep Belief Nets，简称 DBN)就是一种无监督学习下的机器学习模型。深度学习的”深度“是指从”输入层“到”输出层“所经历层次的数目，即”隐藏层“的层数，层数越多，深度也越深。
所以越是复杂的选择问题，越需要深度的层次多。除了层数多外，每层”神经元“-小圆圈的数目也要多。例如，AlphaGo 的策略网络是 13 层，每一层的神经元数量为 192 个。深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。
