机器学习是人工智能的核心，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。机器学习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。
　　
　　以下对人工智能和机器学习之间的差异进行探讨以及开展研究的公司。
　　
　　机器学习
　　
　　机器学习是一种自动建立分析模型的数据分析方法。它是一个使用算法从数据中学习并进行预测的领域。它也是人工智能的一种应用，它使系统能够在没有明确编程的情况下自动学习和改进经验。机器学习专注于开发可以访问数据并可以自己学习的计算机程序。
　　
　　实际上，这意味着人们可以将数据馈送给算法，并使用它来预测未来可能发生的事情。它是人工智能的一个分支，其基础是系统可以从数据中学习，识别模式，并以最少的人为干预做出决策。
　　
　　人工智能
　　
　　人工智能（AI）是智能代理的研究和设计，这些智能代理具有分析环境和产生最大化成功行为的能力。人工智能研究使用来自许多领域的工具和见解，包括计算机科学、心理学、哲学、神经科学、认知科学、语言学、运筹学、经济学、控制理论、概率、优化和逻辑。人工智能基于以下研究：人类如何思考、学习、决定和工作以解决问题，然后将这个研究的结果用作开发智能软件和系统的基础。
　　
　　机器学习的不同技术
　　
　　机器学习使用两种技术：监督学习和无监督学习
         
　　监督学习：监督学习就是具有输入变量（x）和输出变量（Y），并且使用算法学习从输入到输出Y=f（X）的映射函数。监督机器学习系统为学习算法提供已知量，以支持未来的判断。当人们想要将输入映射到输出标签或当我们想要将输入映射到连续输出时，监督学习通常在分类的场景中完成。
　　
　　1.分类：分类预测建模是将一个映射函数(f)从输入变量(X)逼近到离散输出变量(y)的任务。当期望的输出是离散的标签时使用分类算法。分类问题是当输出变量是一个类别时，例如“红色”或“蓝色”或“疾病”和“无疾病”。分类模型试图从观察值中得出一些结论。
　　
　　2.回归：回归预测建模是将输入变量（X）的映射函数（f）近似为连续输出变量（y）的任务。回归对于预测连续的输出很有用。回归问题是输出变量是实数或连续值，比如“工资”或“权重”。
　　
　　无监督学习：无监督学习是一种用于查找数据中的模式的机器学习技术。无监督学习就是只有输入数据（X）而没有相应的输出变量的技术。无监督学习的目标是对数据中的基础结构或分布进行建模，以便更多地了解数据。无监督机器学习算法从数据集推断模式而不参考已知或标记的结果。
　　
　　聚类是最常见的无监督学习技术。通过聚类，你可以根据相似性自动将数据集拆分为组。它用于探索性数据分析，以查找数据中的隐藏模式或分组。
　　
　　致力于机器学习和人工智能的公司
　　
　　亚马逊公司：亚马逊公司在实施机器学习技术方面遥遥领先。在使用机器学习洞察力方面处于领先地位，并使用它来增强客户与无懈可击的客户服务的互动。在客户服务部门，他们使用机器学习来预测客户问题，确定要解决的正确工作流程，并在某些情况下检测服务滥用情况。
　　
　　Facebook公司：Facebook公司是一家位于加利福尼亚州门洛帕克的美国在线社交媒体和社交网络服务公司。截至2017年6月，Facebook公司每月的活跃用户超过20亿。
　　
　　微软公司：根据CB Insights的说法，微软公司实际上是过去五年中第三大收购消费者。该公司致力于发展互联网市场，特别是在几年前以260亿美元收购