毫无疑问，机器学习/人工智能的子领域在过去几年越来越流行。由于大数据是目前科技领域最热门的趋势，基于这些大规模的数据，机器学习在预测和计算建议方面变得不可思议的强大。最常见的机器学习的例子就是 Netflix(一家在线影片租赁提供商)的算法，它能基于你过去看过的电影来推荐电影，或着 Amazon 的算法，它能基于你过去买的书，来推荐书给你。
那么如果你想进一步了解机器学习，你应该怎样开始呢?对我来说，我的入门是我在哥本哈大学留学时，参加的一个人工智能的课程。我的讲师是丹麦科技大学的一个全职的应用数学和计算机科学的教授，他主要研究逻辑学和人工智能，主要致力于使用逻辑学来对人类的计划，推理，和求解问题的过程进行建模。这个课程是针对理论/核心概念和动手解决问题的讨论。我们所用的课本是人工智能的经典之一： Peter Norvig’s Artificial Intelligence — A Modern Approach ，其中涵盖的主题主要包括：智能代理，问题求解，敌对搜索，概率论，多智能体系统，社会AI，哲学/伦理学/人工智能的未来。课程的最后，三个人一组，我们实现了一个简单的基于搜索的代理，能够在虚拟环境下解决运输任务来作为编程项目。
多亏这个课，我学会了大量的知识，并决定继续学习这个专业的主题。在过去的几周里，我参加了旧金山的多个技术讲座，主要是关于深度学习，神经网络，数据结构的。还有一个机器学习的会议，很多该领域的专业人士都在场。最重要的是，我六月初的时候参加了Udacity的介绍机器学习( Intro to Machine Learning )的在线课程，并在前几天刚刚完成。在这篇文章中，我想分享一些我从课程中学习到的最常见的机器学习算法。
机器学习算法可以被分为三大类—监督学习，非监督学习，和强化学习。 有监督的学习 在数据集(训练集)的属性(标签)已知的条件下是有用的，但是在没有标签时，就失去作用了，需要使用其他方法来进行预测。当我们面临的是没有标记的数据(属性没有预先赋值)，并且需要我们发现其中隐含的关系时， 非监督学习 就会很有用。 增强学习 介于这两个极端之间——对于每一个预测步骤或动作，都会有某种形式的反馈，但是没有确切的标签或着错误信息。因为这是一个入门课，我并不了解强化学习。但我希望这10个有监督和无监督学习算法就足够引起你的兴趣。
有监督的学习
1. 决策树 ：决策树是一个使用类树图形，或者决策模型和其可能结果的决策支持工具，包括偶然事件的结果，资源成本和效用。看一下下面的图片感受一下它是什么样的。
从商业决策的角度来看，大多数时候，一个决策树就是使用最小数量的必须要问的是或不是的问题，来评估做出正确决策的可能性。作为一个方法，它允许你以一个结构化的和系统的方式来处理这个问题，从而得到一个合乎逻辑的结论。
2. 朴素贝叶斯分类 ：朴素贝叶斯分类是一族基于贝叶斯定理和特征之间的强独立性(朴素)的简单分类器。显著特点是方程式—— P(A|B) 是后验概率，P(B|A) 是似然概率，P(A) 是类的先验概率，P(B) 是预测的先验概率。
一些现实中的例子：
标记一个电子邮件为垃圾邮件或非垃圾邮件
将新闻文章分为技术类、政治类或体育类
检查一段文字表达积极的情绪，或消极的情绪?
用于人脸识别软件
3. 普通的最小二乘回归 ：如果你了解统计学，你以前可能听说过线性回归。最小二乘法是一种进行线性回归的方法。你可以把线性回归当作使用一条直线来拟合一系列的点的任务。有多种可能的方法来做到这一点，最小二乘的策略是这样的——你可以画一条线，然后对于每一个数据点，计算数据点和这条线的垂直距离，然后把它们加起来;拟合的线就是那个总和的距离尽可能小的线。
线性是指你用来拟合数据的模型，而最小二乘指的是你正在最小化的误差的度量。