如前面所言，机器学习是以数据为“原材料”的，无须显式编程就能表征出学习能力。自然地，机器学习算法的实现是需要编程的，但机器学习和传统的显式编程还是有明显不同的。
在传统的编程范式中，通过编写程序，给定输入并计算，就会得到可预期的结果。但机器学习不一样，它会在给定输入和预期结果的基础之上，经过计算（拟合数据）得到模型参数，这些模型参数反过来将构成程序中很重要的一部分。两者的差别如图 1 所示。
传统编程与和机器学习的差别
图 1：传统编程与和机器学习的差别
对于软件工程师而言，他们关注的是程序的正确性和鲁棒性。然而，数据科学家（机器学习算法的设计者）通常与不确定性和可变性打交道，因为在模型还没有被计算完毕之前，他们也不知道程序最终会是什么模样。
传统的编程范式把人的思维“物化”为一行行代码，代码中充斥着各种 if 条件语句，应对每一种“个性化”的情况，一旦代码“固化”，每次运行的结果都是一样的，没有性能上的提升，因此传统编程谈不上是“学习”。
YC 中国创始人陆奇先生曾在一次主题报告中指出，目前大部分的软件都是“长颈鹿”软件。为什么这么说呢？长颈鹿一出生，就基本具备了一辈子生存的能力（奔跑、吃树叶等），然而，它们没有学习能力，其技能都是上天给予的，一辈子再也没有提升空间。
而我们知道，机器学习的核心特征就是“从数据中学习，获得性能提升，且无须显式编程”，这里的无须显式编程，并不是指不需要编程，而是指在功能实现上无须显式地给出逻辑，让算法从数据中“学习”出规律。而且，一旦程序具备了“学习”能力，数据发生了变化，程序的功能也会发生相应的变化，但程序逻辑基本无须变更，能达到“以不变应万变”的目的。
