机器学习（Machine Learning, ML）是一种通过从数据中学习而不是接收显式指令来执行任务的方法。机器学习主要分为三个范式：监督学习、无监督学习和强化学习。在监督学习中，模型通过训练过程学习，其中提供给模型的示例输入及其正确的输出。模型学习数据集中的哪些特征映射到特定输出，并在称为预测的阶段预测新的传入数据。在无监督学习中，模型通过分析数据之间的关系来学习数据的结构，而无需涉及任何其他过程。在强化学习中，构建的模型通过试错技术随着时间的推移学习和改进。
什么是机器学习中的模型？模型是一个数学对象或实体，它包含一些理论背景，以便能够从数据集中学习。监督学习中流行的模型包括决策树、支持向量机，当然还有神经网络（NN）。
神经网络以层的形式排列，呈堆叠形状。除了输入和输出层之外，每一层的节点接收来自前一层的节点的输入，并且也可以接收来自后一层的节点的输入，同样可以向前后层的节点发送信号或输出。
在神经网络中，总是有输入和输出层，并且可能有一到多个隐藏层。最简单的神经网络是感知器，它只包含一个输入层和一个单节点的输出层。
对于神经网络中的每个边，都有一个相关的权重，对于每个节点，都有一个相关的值。输入层中每个节点的值，例如，可能来自与数据集中的图像相关的像素值数组。为了计算下一层节点的值，计算与该节点连接的输入的加权和。这被称为转移函数。一旦计算出这个值，它就被传递到另一个称为激活函数的函数，该函数根据阈值决定这个节点是否应该向下一层发射。一些激活函数是二元的，而其他一些可以有多个输出。
通常在神经网络的末端，有一个激活函数，对传入输入层的数据进行分类（做出决定）。在硬币识别的情况下，它将决定图像中硬币的类别或类型。神经网络中的学习过程可以看作是调整其权重，以便为每个给定的输入获得预期的输出。一旦模型被训练，得到的权重可以被保存。
每当神经网络有多个隐藏层时，它就被认为是深度学习（DL）。深度学习是一系列依赖于具有多个隐藏层的神经网络的技术。拥有多个隐藏层的原因是为了提供比单个隐藏层神经网络更准确的结果。已经证明，深度学习可以比单个隐藏层神经网络更快地产生结果，并且更准确。此外，添加到神经网络的每一层都有助于从数据集中学习复杂的特征。