毫無疑問，過去兩年中，機器學習和人工智慧的普及度得到了大幅提升。
如果你想學習機器算法，要從何下手呢？以我為例，我是在哥本哈根留學期間，學習AI課程入門的。我們用的教科書是一本AI經典：《Peter Norvig’s Artificial Intelligence?—?A Modern Approach》。最近我在繼續學習這些，包括在舊金山聽了幾個關於深度學習的技術演講，參加機器學習大會上。六月份，我註冊了Udacity的Intro to Machine Learning的在線課程，近期已經完成了。這篇文章，我想分享一些我所學到的、最常見的機器學習算法。
我從這個課程中學到了很多，並決定繼續學習這一專業內容。不久前，我在舊金山聽了幾個關於深度學習、神經網絡、數據架構方面的技術演講，包括在一個機器學習大會上和很多領域知名專家一起。最重要的是，我六月份註冊了Udacity 的機器學習入門的在線課程，近期已經完成了。這篇文章，我想分享一些我所學到的、最常見的機器學習算法。
機器學習算法可以分為三個大類——有監督學習、無監督學習和強化學習。
有監督學習，對訓練有標籤的數據有用，但是對於其他沒有標籤的數據，則需要預估。
無監督學習，用於對無標籤的數據集（數據沒有預處理）的處理，需要發掘其內在關係的時候。
強化學習，介於兩者之間，雖然沒有精準的標籤或者錯誤信息，但是對於每個可預測的步驟或者行為，會有某種形式的反饋。
由於我上的是入門課程，我並沒有學習強化學習，但是下面10個有監督和無監督學習算法已經足以讓你對機器學習產生興趣。
監督學習
1.決策樹 （Decision Trees）
決策樹是一個決策支持工具，它用樹形的圖或者模型表示決策及其可能的後果，包括隨機事件的影響、資源消耗、以及用途。請看下圖，隨意感受一下決策樹長這樣的：
從商業角度看，決策樹就是用最少的Yes/No問題，儘可能地做出一個正確的決策。它讓我們通過一種結構化、系統化的方式解決問題，得到一個有邏輯的結論。
2.樸素貝葉斯分類（Naive Bayes Classification）
樸素貝葉斯分類器是一類簡單概率分類器，它基於把貝葉斯定理運用在特徵之間關係的強獨立性假設上。下圖是貝葉斯公式——P（A|B）表示後驗概率，P（B|A）表示似然度，P（A）表示類別的先驗概率（class prior probability），P（B）表示做出預測的先驗概率（predictor prior probability）。
現實生活中的應用例子：
一封電子郵件是否是垃圾郵件
一篇文章應該分到科技、政治，還是體育類
一段文字表達的是積極的情緒還是消極的情緒？
人臉識別
3.普通最小二乘回歸（Ordinary Least Squares Regression）
如果你學過統計學，你可能聽過線性回歸。至少最小二乘是一種進行線性回歸的方法。你可以認為線性回歸就是讓一條直線用最適合的姿勢穿過一組點。有很多方法可以這樣做，普通最小二乘法就像這樣——你可以畫一條線，測量每個點到這條線的距離，然後加起來。最好的線應該是所有距離加起來最小的那根。
線性法表示你去建模線性模型，而最小二乘法可以最小化該線性模型的誤差。