（可以看到透過機器學習的演算法，在8w多條評價中篩選出關鍵詞，紅色的是正面評價，綠色的是反面評價，這些都是透過語義分析演算法歸類得出的。機器學習本質上是透過數學演算法來解析資料的規律，學習相關的規律且用來預測和決策。機器學習主要分為監督學習，無監督學習和半監督學習三種。從演算法上來說有貝葉斯分類，決策樹，線性迴歸，決策樹和森林模型，主成分分析，流行學習，k-means聚類，高斯混合模型等等。）
深度學習：Deep Learning,是一種機器學習的技術，由於深度學習在現代機器學習中的比重和價值非常巨大，因此常常將深度學習單獨拿出來說。最初的深度學習網路是利用神經網路來解決特徵層分佈的一種學習過程。通常我們瞭解的DNN（深度神經網路），CNN（卷積神經網路），RNN（迴圈神經網路），LSTM（長短期記憶網路）都是隸屬於深度學習的範疇。也是現代機器學習最常用的一些手段。透過這些手段，深度學習在視覺識別，語音識別，自然語言處理（NLP）等領域取得了使用傳統機器學習演算法所無法取得的成就。
強化學習：Reinforcement Learning，又稱再勵學習或者評價學習。也是機器學習的技術之一。所謂強化學習就是智慧系統從環境到行為對映的學習，以使獎勵訊號（強化訊號）函式值最大，由於外部給出的資訊很少，強化學習系統必須依靠自身的經歷進行自我學習。透過這種學習獲取知識，改進行動方案以適應環境。強化學習最關鍵的三個因素是狀態，行為和環境獎勵。關於強化學習和深度學習的例項，最典型的莫過於谷歌的AlphaGo和AlphaZero兩位了，前者透過深度學習中的深度卷積神經網路，在訓練了大約三千萬組人類的下棋資料，無數度電的情況下才搞出來的模型，而後者使用強化學習的方式，透過自己和自己下棋的方式搞出來的模型。而最終的實驗結果也很讓人震撼。AlphaGo幹敗了人類圍棋頂尖高手,而AlphaZero幹敗了AlphaGo.
（可以看到透過機器學習的演算法，在8w多條評價中篩選出關鍵詞，紅色的是正面評價，綠色的是反面評價，這些都是透過語義分析演算法歸類得出的。機器學習本質上是透過數學演算法來解析資料的規律，學習相關的規律且用來預測和決策。機器學習主要分為監督學習，無監督學習和半監督學習三種。從演算法上來說有貝葉斯分類，決策樹，線性迴歸，決策樹和森林模型，主成分分析，流行學習，k-means聚類，高斯混合模型等等。）
深度學習：Deep Learning,是一種機器學習的技術，由於深度學習在現代機器學習中的比重和價值非常巨大，因此常常將深度學習單獨拿出來說。最初的深度學習網路是利用神經網路來解決特徵層分佈的一種學習過程。通常我們瞭解的DNN（深度神經網路），CNN（卷積神經網路），RNN（迴圈神經網路），LSTM（長短期記憶網路）都是隸屬於深度學習的範疇。也是現代機器學習最常用的一些手段。透過這些手段，深度學習在視覺識別，語音識別，自然語言處理（NLP）等領域取得了使用傳統機器學習演算法所無法取得的成就。
強化學習：Reinforcement Learning，又稱再勵學習或者評價學習。也是機器學習的技術之一。所謂強化學習就是智慧系統從環境到行為對映的學習，以使獎勵訊號（強化訊號）函式值最大，由於外部給出的資訊很少，強化學習系統必須依靠自身的經歷進行自我學習。透過這種學習獲取知識，改進行動方案以適應環境。強化學習最關鍵的三個因素是狀態，行為和環境獎勵。關於強化學習和深度學習的例項，最典型的莫過於谷歌的AlphaGo和AlphaZero兩位了，前者透過深度學習中的深度卷積神經網路，在訓練了大約三千萬組人類的下棋資料，無數度電的情況下才搞出來的模型，而後者使用強化學習的方式，透過自己和自己下棋的方式搞出來的模型。而最終的實驗結果也很讓人震撼。AlphaGo幹敗了人類圍棋頂尖高手,而AlphaZero幹敗了AlphaGo.