这是一个非常基本的问题。

学习是使用一个系统来改变另一个系统，这样它就不再做它以前做过的事情，这可能没什么，而是做一些别的事情。

在人类大脑中，系统是基因表达导致大脑定向可变性的方式，因此人类的意图和对外部刺激的反应会发生改变。改变的方向是基于激励和威慑。在孩子们的课堂上，老师可能会做一些事情，或者学校里的文化会激发学习。通过其他机制阻止不当行为。在这种情况下，第一个系统是教育过程，第二个系统是大脑使用所教内容的能力。

即使没有课，孩子们也会学习创造舒适的东西，所以舒适是内在的激励。我们就像老师一样讨厌腹股沟潮湿，所以我们学会了使用浴室插座。我们很喜欢父母和老师的表扬，所以我们倾向于表现出来。诸如此类的事情是复杂的损失和奖励以及激励学习的主要系统。

在人工网络中学习并不像在人脑中那样复杂。在某些情况下，人工结果更好。在其他情况下，人脑的能力还不能通过人工网络来接近。

人工网络的功能通常开始时是任意的并且完全无用，但它是一个参数函数，这意味着可以通过更改称为参数的数字来更改该函数。每次使用该函数处理从数据集中提取的示例时，都会评估结果并使用评估来修改参数。注意不要过度修改参数，否则可能会发生混淆。数学家把这种类型的系统混乱称为混沌。

理想地重复这个精心指导和缓和的过程会导致所谓的收敛。学习系统的设置使得收敛的结果是一组参数，可以最小化损失，最大化收益，或两者兼而有之。

有时最初的学习是不够的，以后还有其他相关的事情要做。

• 调整学习行为以适应新的条件或信息
• 忘掉不再产生益处的东西，以便新的学习可以取代它们
• 重新学习从记忆中消失的东西
• 对所学内容建立更大的信心，以便忘却需要更大的动力

上述概念还有其他技术术语，可以掌握的更多细节，许多类别的学习系统类型，其中的品种，以及用作构建所有这些并使其发挥作用的基础的数学。因为这个问题是基本的，所以这些细节和技术细节被省略了。

图灵很难解释计算机如何学习，他在 1950 年的论文中问道，机器如何学习？它可能的行为完全由它的操作规则（程序）定义，无论机器的历史（过去、现在、未来）可能是什么。他提出的解决方案是临时有效的规则，不管它们是什么——他没有说。

因此，学习可以理解为机器获得新行为，而不是人类将行为编程到机器中。

也许一个更好的方式来看待这个是因果关系。人类可以通过将计算机编程到机器中来定义计算机的因果关系（可能的行为）。但这是人类使用他们的知识来定义机器将如何对情况做出反应的案例。学习是机器本身获得现在行为或可能行为的情况（而不是人类利用他们对世界的知识）。任何这种所谓的内在学习都可以很容易地被测试。如果它帮助机器在复杂而充满敌意的世界中生存，那么它真的是在学习。