人工智慧是個大概念，包含的方向和內容很多。可以說只要有點智慧的都可以叫人工智慧，想影象識別，視覺導航，神經網路，控制領域模糊控制等等，目前他本身並無明確的發展方向，分之也多很難說要從哪上手。選擇你自己喜歡的一個方向就好。個人感覺目前的技術里人工智慧還很遠，有過度炒作，泡沫化的趨勢。字面意思人工智慧，什麼叫人工智慧？顧名思義就是模仿人腦的思維。現在各行各業，為了炒作自己的熱度，只要有點技術含量的都冠以人工智慧，這種掛羊頭賣狗肉風氣值得警惕。發展人工智慧是好事，但是我們必須以嚴謹的心態實事求是的做下去才行。

　決策樹是一種樹形結構，為人們提供決策依據，決策樹可以用來回答yes和no問題，它透過樹形結構將各種情況組合都表示出來，每個分支表示一次選擇（選擇yes還是no），直到所有選擇都進行完畢，最終給出正確答案。

　如果你對統計學有所瞭解，那麼你必定聽說過線性迴歸。最小均方就是用來求線性迴歸的。如下圖所示，平面內會有一系列點，然後我們求取一條線，使得這條線儘可能擬合這些點分佈，這就是線性迴歸。這條線有多種找法，最小二乘法就是其中一種。最小二乘法其原理如下，找到一條線使得平面內的所有點到這條線的歐式距離和最小。這條線就是我們要求取得線。

　線性指的是用一條線對資料進行擬合，距離代表的是資料誤差，最小二乘法可以看做是誤差最小化。

　　那麼為什整合分類器要比單個分類器效果好呢？

　　1.偏差均勻化：如果你將民主黨與共和黨的投票數算一下均值，可定會得到你原先沒有發現的結果，整合學習與這個也類似，它可以學到其它任何一種方式都學不到的東西。

　　2.減少方差：總體的結果要比單一模型的結果好，因為其從多個角度考慮問題。類似於股票市場，綜合考慮多隻股票可以要比只考慮一隻股票好，這就是為什麼多資料比少資料效果好原因，因為其考慮的因素更多。

　　3.不容易過擬合。如果的一個模型不過擬合，那麼綜合考慮多種因素的多模型就更不容易過擬合了。

首要問題：“語言的選擇”

擺在題主面前的首要問題是“入門”，所以我們需要在前人的基礎上進行理解和應用。在這裡我推薦Python，除了Python語法簡潔靈活以外，目前人工智慧或者機器學習庫在Python語言上最為豐富和完善——是的，沒有之一。

這裡我想解釋一下“庫”的概念，目前語言的一個趨勢就是提高工作效率，也即“拿來主義”，別人做好的東西你可以直接拿來用，單這並不是說你什麼都不需要做了，而是這只是一個工具，單是理解如何使用工具就不是一個輕鬆的事情。

如果題主想從0開始自己寫機器學習的工具，那麼我不推薦，一般來說大多數人沒有這個能力，也確實沒有必要。

所謂【分類】，舉個列子，就是人有男女性別之分，回答有正確錯誤之分，相貌有美醜之分；所謂【聚類】，你不能判斷一個東西的具體類別而是說大致更接近什麼，通俗來說就是更加模糊的分類，一個四不像的動物從機率來說更像什麼；所謂【迴歸】，針對一系列連續的值，比如明天的天氣是20℃還是21或者30這樣、或者小明數學成績考了60分還是72分。

明白了問題的型別，我們才能選擇特定的演算法：針對【分類】問題，可以選擇KNN演算法、決策樹、樸素貝葉斯、支援向量機、邏輯斯蒂迴歸；針對【聚類】可以使用K-mean演算法；針對【迴歸】問題，可以選決策樹、樸素貝葉斯、支援向量機。（對的，我沒有寫錯，決策樹、樸素貝葉斯、支援向量機既可以分類也可以迴歸）值得一提得是，邏輯斯蒂迴歸雖然是迴歸命名，但卻只能用於分類。

當前運用的人工智慧的演算法，在本質上就是輸入x得到反饋y。

至於怎麼從x得到的y，我們可以列一個線性方程y = mx + b。

它表示是x和y的關係。只不過是從前我們學的是根據x求y，在人工智慧領域是，知道輸入x和輸出y，要求出的是係數m和常數b。

有監督學習就是持續輸入大量的配對的x和y，調整係數m和常數b，讓線性方程更好的匹配資料。這個方程永遠不能以百分之百的準確率匹配x和y，但是它能被用來做預測。一旦你確定了一個可靠的函式，你輸入x的值，變成得到一個正確率很高的y值。

即使複雜如阿爾法狗，它不過是得到了一個無比複雜的係數m，萬變不離其宗，它的演算法仍然能被表達為y = mx + b。

有監督學習還可以被用來做分類，類似於把水從池子裡分到桶裡。例如，如果資料帶有特點x，它進入一號桶；如果沒有，它進入二號桶。在這種情況下，你仍然可能認為這是在用x預測y，只是在這裡y不是數值而是類別。當然，分水的桶可以準備很多。

分類演算法可以來過濾垃圾郵件，分析x光片的異常，確認案件的相關資料，為一個崗位選擇合適的簡歷，甚至做market segmentation。