機器學習演算法包括決策樹、聚類、貝葉斯分類、支援向量機、EM、Adaboost等等。

最簡單和常見的就是決策樹演算法：

根據一些 feature（特徵） 進行分類，每個節點提一個問題，透過判斷，將資料分為兩類，再繼續提問。這些問題是根據已有資料學習出來的，再投入新資料的時候，就可以根據這棵樹上的問題，將資料劃分到合適的葉子上。

模型是怎麼工作的 我們會大致的介紹機器學習是怎麼工作的以及如何使用這些模型。如果你學習過統計建模或者機器學習相關的課程，你會覺得有些簡單。別擔心，我們後面會有深入的課程 這個微課堂會讓你基於以下情景建模： 你的堂弟炒房賺了數百萬美元，他想找你合夥，他來提供資金，你會提供預測各種房屋價值的模型。 你問你的堂弟他過去如何預測房地產價值。他說以前只是直覺，但是他發現了一些價格模式，他正在考慮利用這些模式來對新房進行預測。 機器學習的工作方式是類似的...

機器學習【初探建模那些事兒】：2.先來看看資料吧

使用pandas來看看資料先 任何機器學習專案的第一步都是熟悉資料，你將會使用到pandas庫，pandas是資料科學家用於探索和操作資料的主要工具 大多數人在他們的程式碼中將pandas縮寫為pd. 我們一般這麼來使用pandas庫中最重要的部分是DataFrame。 DataFrame包含你可以認為是表的資料型別。 這類似於Excel中的工作表或SQL資料庫中的表。 pandas提供了強大的功能來操作此類資料型別 在這個案例裡，我們將檢視澳洲墨爾本的房價資料。 在動手練習中...

機器學習【初探建模那些事兒】：3.人生第一個模型

選擇建模資料 你的資料集有太多的變量了，你怎麼能來選擇它們呢？ 我們首先使用直覺選擇一些變數。 後面的課程將向你展示自動確定變數優先順序的統計技術。 要選擇變數/列，我們需要檢視資料集中所有列的列表。 這是透過DataFrame的columns屬性（下面的程式碼底部行）完成的。有很多方法可以選擇資料的子集。 我們會在後面微課程裡更深入地介紹了這些內容，但我們現在將重點關注: 1.點符號，我們用它來選擇“預測目標” 2.選擇列列表，我們用它來選擇“特徵” 預測目標...

機器學習【初探建模那些事兒】：4.模型驗證

什麼是模型驗證 你已經在上一節裡建立並且擬合了一個模型，但是你如何知道這個模型究竟好不好 在本篇中，你將學習到如何使用模型驗證來衡量模型的質量，測量模型質量是迭代改進模型的關鍵。 模型驗證基本是所有建模工作裡都要涉及的工作，在大多數應用中，模型質量的衡量標準一般是預測準確性，換句話說，模型的預測是否接近實際發生的情況。 在測量預測準確性時，許多人犯了一個大錯誤。他們使用他們的訓練資料進行預測，並將這些預測與訓練資料中的目標值

機器學習演算法也就是ML，Machine Learning，是目前很火的人工智慧演算法的一部分，除了機器學習演算法以外，還有深度學習演算法和傳統的統計學演算法。而機器學習領域最簡單的演算法呢，我認為可以是隨機森林演算法，或者是支援向量積，因為這些是比較常見的分類演算法，在生產環境中使用廣泛，如果是初學者建議可以從傳統的統計學演算法開始，比如邏輯迴歸或者線性迴歸等，進階再接觸機器學習演算法，最終可以瞭解一下深度學習的神經網路相關演算法。

難者不會，會者不難。所以你只要學會了就都簡單。這裡從概念、演算法分類、過程三個方面做個回答。

首先，要分的清楚概念，人工智慧→機器學習→深度學習。人工智慧是一個大的概念，是讓機器像人一樣思考甚至超越人類；而機器學習是實現人工智慧的一種方法，是使用演算法來解析資料、從中學習，然後對真實世界中的事件做出決策和預測；深度學習是機器學習的一種實現方式，透過模擬人神經網路的方式來訓練網路；而統計學是機器學習和神經網路的一種基礎知識。

其次，機器學習演算法可以分為傳統的機器學習演算法和深度學習。傳統機器學習演算法主要包括以下五類：

迴歸：建立一個迴歸方程來預測目標值，用於連續型分佈預測

分類：給定大量帶標籤的資料，計算出未知標籤樣本的標籤取值

聚類：將不帶標籤的資料根據距離聚整合不同的簇，每一簇資料有共同的特徵

關聯分析：計算出資料之間的頻繁項集合

降維：原高維空間中的資料點對映到低維度的空間中

最後，機器學習最大的特點是利用資料而不是指令來進行各種工作，其學習過程主要包括：資料的特徵提取、資料預處理、訓練模型、測試模型、模型評估改進等幾部分。

隨著計算能力及海量資料的飛速發展，第三次人工智慧浪潮正在席捲全世界，極大地改善了人們生活的方方面面，而與之相關的“人工智慧”、“機器學習”、“深度學習”等名詞也成為了人們茶餘飯後談論的焦點。三者緊密聯絡又相互區別。

人工智慧（Artificial Intelligence）起源於19世紀50年代，泛指讓計算機具有人的智慧的技術，包括進化計算、機器學習、推薦系統、模糊邏輯等研究方向。

機器學習（Machine Learning）為人工智慧的一個分支，指計算機從資料中產生“模型”（model）的演算法，包括傳統的機器學習演算法及近年來逐漸興起的深度學習演算法。傳統的機器學習演算法按學習演算法可分為有監督學習及無監督學習。其中，有監督學習包括邏輯迴歸（LR）、決策樹、支援向量機（SVM）、神經網路等演算法，無監督學習包括k均值聚類及其改進演算法k++聚類。

深度學習（Deep Learning）即深度神經網路，為機器學習的分支，得益於計算機硬體（GPU）及資料量（大資料）的飛速發展，已經廣泛用於計算機視覺、自然語言處理、機器翻譯等領域，包括迴圈神經網路（RNN）、卷積神經網路（CNN）、長短期記憶網路（LSTM）、門控迴圈單元（GRU）、seq2seq及注意力機制等。

個人認為，決策樹演算法為機器學習中比較簡單的一種，這是因為決策樹是基於樹結構進行決策的，與人類在面臨決策問題時採取的策略非常相似，易於理解，可以作為入門機器學習的首選演算法。