首先，小明需要确定所有的橙子的特征，包括并不限于大小、颜色深浅、软硬、产地等等，在这些特征之间建立一些联系，比如 A 地生产的橙子越大越好吃，B 地生产的越软水越多等等，然后再把所有这些数据都输入到程序里。
现在，小明去菜市场，不再需要记住自己在哪个菜市场，去的哪个摊位，买的哪个产地的橙子，而是直接拿着一个橙子，把它的属性输入到这个程序里，程序会自动跑出“甜不甜”、“汁多不多”，甚至更直观的“室友爱不爱吃”的结果。测试的多了，这个程序还会自动学习新的规律。
这些输入给程序，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。
可机器又是怎么“学习”的呢？
神经网络
人类至今尚未明白人脑的工作原理，不过这没关系，我们可以先复制出一个人脑的计算模型：一件事情并非像计算机程序那样输入指令输出结果，而是在人脑的多个神经元传递，每个神经元都对信息进行自己的加工，最后输出的结果。计算机科学家用同样的方式，在输入和输出之间，加入了非常多的“节点”，每个节点会对前一个节点传来的数据，按照自己拥有的一个权重系数进行加工，有时候节点还会分层。这就是“人工神经网络”(Artificial Neural Networks，ANN)。
我们还是用小明的选橙子程序来举例。即便小明已经输入了自己大量的经验，这个程序仍然不是一开始就总能准确地判断出橙子好不好吃的。它仍需要进行大量的训练：小明输入一个新橙子的特征，程序根据这些特征计算出各个结果的概率。
比方说，小明输入“美国加州大脐橙”、“颜色浅”、“软”，结果程序给出甜的概率 85%，不甜的概率 15%，汁多的概率 50%，水不多的概率 50%，室友爱吃的概率 66%，不爱吃的概率 34%。结果小明尝了一下，发现的确很甜，但汁并不多，室友吃了不是很满意，程序可以回去自动调整某些与“汁多不多”有关节点的权重。通过不断地用最终结果去返回调试，这个神经网络给正确结果赋予的概率会越来越高，反之给错误结果的概率会越来越低。
历史上，科学家还设计过多层的神经网络，每一层都会对前一层传来的结果进行再次加工，目的是模拟出一种“深思熟虑”的感觉，但最后发现结果准确度并没有提高，有的时候还会陷入误区，就像人容易朝着一个思路越陷越深，最后钻牛角尖了一样。随着技术进步，卷积神经网络(CNN)、循环神经网络(RNN)，以及长短时记忆单元(LSTM)等新玩意的诞生，让这一问题得到改善。现在，最厉害的神经网络技术不但已经非常接近人脑，还排除了很多人脑自身存在的低效的思维方式。
简单来说，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。
