主要有以下十大常用演算法：

決策樹，隨機森林演算法，邏輯迴歸，SVM，樸素貝葉斯，K最近鄰演算法，K均值演算法，Adaboost演算法，神經網路，馬爾可夫

首先宣告，我不是專業的做機器學習、神經網路、人工智慧這些工作的。我是一個老~~~~Java工程師。在這個行業乾的久了，多少還是知道點兒東西，隨便說說，可能對演算法之類的回答不了，但對相關的內容講講吧。

好久不回答問題了，主要是作為程式設計師瞎忙，瞎忙。沒空寫。今天高燒39度，剛剛拿出體溫計一看，38.6℃，挺吉利的數字。發燒了，不能工作了，就有時間寫點兒東西了。

一、機器學習的目的是人工智慧

目前人類實現的人工智慧叫做“弱人工智慧”，就是很弱，比如AlphaGO，只是憑藉演算法進行資料歸納，然後逐漸自動的歸納出一些規律，憑藉其超大的資料儲存和計算能力，在某個特殊的領域完敗人類。比如AlphaGO下圍棋很牛掰，但汽車駕駛這個簡單的事兒，目前全球很少有人真的敢把性命交給計算機，至少我更願意把我的命交給一個駕駛經驗只有1個月的女人手中。

再升級一下就是強人工智慧，這個領域的人工智慧可以媲美人力的智商。目前屬於科學幻想領域的東西。但它依舊算是計算機的領域。

最牛叉就是“超人工智慧”，這樣的東西有獨立的思維、分析、學習能力，甚至可以有感情，會使用陰謀詭計。這樣的東西，在各個領域都碾壓人類。個人認為，這個東西不能算是機器了，應該是一種機器生命——比如變形金剛。

多說一句，個人認為“強人工智慧”階段可能不會存在，當機器達到那個境界的時候，它會很快的自動升級為他(她)，它會賦予自己生命。

二、目前機器學習的演算法

目前階段的機器學習的演算法核心就是統計學。

比如李開復做的機器翻譯。

李開復知道吧？智商超高的臺灣華人。他在美國讀博士的時候，課題就是做機器翻譯。最後他成功了，機器翻譯成功率高達92%(這個數字可能不太準確，書在邊兒上，懶得翻了。)——有人說了，為啥不能百分之百？因為。。。人都可能翻譯錯了，你怎麼能要求計算機全都翻譯對啊。

言歸正傳，在李開復之前有很多人在研究機器翻譯，採用的手段都是專家法。

何為專家法？把兩門語言的各種語法規律都整理起來，還有各種俚語啥的，反正，這個規律我說了這麼多年的漢語也沒總結出來。是不您說？您說是不？這兩句咋一個意思？哈哈。。。

這個成功率是非常低的，30%左右的成功率。

後來，李開復認為應該採用統計法。

非常簡單的一個辦法，李開復把能找到的中英對照的詞、句子、文章，都放入資料庫中，然後寫一個演算法，讓程式自己根據統計學找規律。

經過一個夏天的奮鬥，他帶著一個高中生(我記得就是高中生，美華人可怕吧。比爾蓋茨在小學的時候接觸的最早的PC機，並自己開發程式。。。小學啊。。。牛死了)，終於在某個凌晨看到一個數字——92%的成功率。

不過，具體他的演算法是啥，我就不懂了。

三、怎麼學習機器學習或人工智慧

現在要做機器學習和人工智慧，其實你不要自己研究演算法的——我做Java開發20年了快，我也不瞭解Java怎麼處理Queue佇列的，怎麼就阻塞住了？我也不知道OKHttp3如何做到的抓取網頁那麼高效，而我自己寫一個爬蟲，效能低的恨不得自己抽自己嘴巴。

所以，學習人工智慧或機器學習，也不需要上來就研究演算法，那是大牛乾的事兒。

你想要做個圖片分析系統，直接找百度的人工智慧Api介面，就解決了。

什麼？你覺得這樣Low？那你先把你的Java解除安裝了，然後自己寫一個Java吧，用別人寫好的東西豈不是太Low了？

我做地圖系統的時候，我就呼叫高德的Api介面，我也不怕別人說我Low，我才不會自己寫一個地圖系統且自己整理地圖資料呢。

而且，我幹了十幾年了，沒人說我這樣寫程式Low。

———— 軟體行業的名言：不要重複造輪子

四、AlphaGO強大到什麼程度?

AlphaGO之所以強大，是因為他不是僅僅做資料的統計，他還自己修改自己的演算法。

就好像一個人不僅僅接受書本上的知識，而且自己在學習過程中不斷最佳化自己的學習方法。

五、現在的人工智慧有危險嗎？

個人認為：現在的人工智慧就是個傻子，除了讓人擺佈，他什麼也幹不了。

舉個例子：

一歲的孩童，看了兩次貓咪，就能指著圖片上的貓咪說這個是貓咪。

而谷歌的自動駕駛跑的路程跑月亮都十幾趟了，可那傻子還是瞎開。

人類目前的科技水平，就不能理解人類為什麼能夠有智慧，連對狗的條件反射都無法從根本上進行解釋。

在這樣的情況下，用數學的方式，靠堆積CPU和硬碟的手法模擬出來了人工智慧，其實完全就不是人工智慧。從根本上，與你家的PC計算機沒有本質的區別。

六、個人的另一個假設

這個假設是瞎扯的，我瞎捉摸的。

人類的大腦經過幾百萬年的進化，已經具備了快速處理資料的能力，也許最根本還是歸納和統計，但由於大腦硬體進化的如此牛逼，只要幾下子就能學會新的東西。

那麼，現在的人工智慧也無法進化到威脅人類。因為，硬體約束了它，現在的計算機的CPU構架約束了它，其絕對不可能在幾個資料取樣後就能夠學會一件新事物。

這個你看你要做什麼了，如果要做機器視覺，那就要掌握opencv,深度學習中的卷積神經網路。如果要做語音識別，迴圈神經網路，馬爾科夫鏈，機率論的知識都要有，還有推薦演算法工程師，資料探勘工程師等等，你先明確一個方向，然後再去選擇學什麼，如果你是快要畢業找工作，我推薦你看兩本書，李航的《統計學習方法》和周志華的《機器學習》

第一章 緒論

第二章 模型評估與選擇

第三章 線性模型

第四章 決策樹

第五章 神經網路

第六章 支援向量機

第七章 貝葉斯分類器

第八章 整合學習

第九章 聚類

第十章 降緯與度量學習

第十一章 特徵選擇與稀疏學習

第十二章 計算理論學習

第十三章 半監督學習

第十四章 機率圖模型

第十五章 規則學習

第十六章 強化學習

從第三章開始都是常用的機器學習演算法。書籍的前10章是比較基本的要求。

最後，附上書籍的網址：

https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/MLbook2016.htm#

其中有周老師給大家的讀書建議。

主要有以下十大常用演算法：

決策樹，隨機森林演算法，邏輯迴歸，SVM，樸素貝葉斯，K最近鄰演算法，K均值演算法，Adaboost演算法，神經網路，馬爾可夫

首先宣告，我不是專業的做機器學習、神經網路、人工智慧這些工作的。我是一個老~~~~Java工程師。在這個行業乾的久了，多少還是知道點兒東西，隨便說說，可能對演算法之類的回答不了，但對相關的內容講講吧。

好久不回答問題了，主要是作為程式設計師瞎忙，瞎忙。沒空寫。今天高燒39度，剛剛拿出體溫計一看，38.6℃，挺吉利的數字。發燒了，不能工作了，就有時間寫點兒東西了。

一、機器學習的目的是人工智慧

目前人類實現的人工智慧叫做“弱人工智慧”，就是很弱，比如AlphaGO，只是憑藉演算法進行資料歸納，然後逐漸自動的歸納出一些規律，憑藉其超大的資料儲存和計算能力，在某個特殊的領域完敗人類。比如AlphaGO下圍棋很牛掰，但汽車駕駛這個簡單的事兒，目前全球很少有人真的敢把性命交給計算機，至少我更願意把我的命交給一個駕駛經驗只有1個月的女人手中。

再升級一下就是強人工智慧，這個領域的人工智慧可以媲美人力的智商。目前屬於科學幻想領域的東西。但它依舊算是計算機的領域。

最牛叉就是“超人工智慧”，這樣的東西有獨立的思維、分析、學習能力，甚至可以有感情，會使用陰謀詭計。這樣的東西，在各個領域都碾壓人類。個人認為，這個東西不能算是機器了，應該是一種機器生命——比如變形金剛。

多說一句，個人認為“強人工智慧”階段可能不會存在，當機器達到那個境界的時候，它會很快的自動升級為他(她)，它會賦予自己生命。

二、目前機器學習的演算法

目前階段的機器學習的演算法核心就是統計學。

比如李開復做的機器翻譯。

李開復知道吧？智商超高的臺灣華人。他在美國讀博士的時候，課題就是做機器翻譯。最後他成功了，機器翻譯成功率高達92%(這個數字可能不太準確，書在邊兒上，懶得翻了。)——有人說了，為啥不能百分之百？因為。。。人都可能翻譯錯了，你怎麼能要求計算機全都翻譯對啊。

言歸正傳，在李開復之前有很多人在研究機器翻譯，採用的手段都是專家法。

何為專家法？把兩門語言的各種語法規律都整理起來，還有各種俚語啥的，反正，這個規律我說了這麼多年的漢語也沒總結出來。是不您說？您說是不？這兩句咋一個意思？哈哈。。。

這個成功率是非常低的，30%左右的成功率。

後來，李開復認為應該採用統計法。

非常簡單的一個辦法，李開復把能找到的中英對照的詞、句子、文章，都放入資料庫中，然後寫一個演算法，讓程式自己根據統計學找規律。

經過一個夏天的奮鬥，他帶著一個高中生(我記得就是高中生，美華人可怕吧。比爾蓋茨在小學的時候接觸的最早的PC機，並自己開發程式。。。小學啊。。。牛死了)，終於在某個凌晨看到一個數字——92%的成功率。

不過，具體他的演算法是啥，我就不懂了。

三、怎麼學習機器學習或人工智慧

現在要做機器學習和人工智慧，其實你不要自己研究演算法的——我做Java開發20年了快，我也不瞭解Java怎麼處理Queue佇列的，怎麼就阻塞住了？我也不知道OKHttp3如何做到的抓取網頁那麼高效，而我自己寫一個爬蟲，效能低的恨不得自己抽自己嘴巴。

所以，學習人工智慧或機器學習，也不需要上來就研究演算法，那是大牛乾的事兒。

你想要做個圖片分析系統，直接找百度的人工智慧Api介面，就解決了。

什麼？你覺得這樣Low？那你先把你的Java解除安裝了，然後自己寫一個Java吧，用別人寫好的東西豈不是太Low了？

我做地圖系統的時候，我就呼叫高德的Api介面，我也不怕別人說我Low，我才不會自己寫一個地圖系統且自己整理地圖資料呢。

而且，我幹了十幾年了，沒人說我這樣寫程式Low。

———— 軟體行業的名言：不要重複造輪子

四、AlphaGO強大到什麼程度?

AlphaGO之所以強大，是因為他不是僅僅做資料的統計，他還自己修改自己的演算法。

就好像一個人不僅僅接受書本上的知識，而且自己在學習過程中不斷最佳化自己的學習方法。

五、現在的人工智慧有危險嗎？

個人認為：現在的人工智慧就是個傻子，除了讓人擺佈，他什麼也幹不了。

舉個例子：

一歲的孩童，看了兩次貓咪，就能指著圖片上的貓咪說這個是貓咪。

而谷歌的自動駕駛跑的路程跑月亮都十幾趟了，可那傻子還是瞎開。

人類目前的科技水平，就不能理解人類為什麼能夠有智慧，連對狗的條件反射都無法從根本上進行解釋。

在這樣的情況下，用數學的方式，靠堆積CPU和硬碟的手法模擬出來了人工智慧，其實完全就不是人工智慧。從根本上，與你家的PC計算機沒有本質的區別。

六、個人的另一個假設

這個假設是瞎扯的，我瞎捉摸的。

人類的大腦經過幾百萬年的進化，已經具備了快速處理資料的能力，也許最根本還是歸納和統計，但由於大腦硬體進化的如此牛逼，只要幾下子就能學會新的東西。

那麼，現在的人工智慧也無法進化到威脅人類。因為，硬體約束了它，現在的計算機的CPU構架約束了它，其絕對不可能在幾個資料取樣後就能夠學會一件新事物。

這個你看你要做什麼了，如果要做機器視覺，那就要掌握opencv,深度學習中的卷積神經網路。如果要做語音識別，迴圈神經網路，馬爾科夫鏈，機率論的知識都要有，還有推薦演算法工程師，資料探勘工程師等等，你先明確一個方向，然後再去選擇學什麼，如果你是快要畢業找工作，我推薦你看兩本書，李航的《統計學習方法》和周志華的《機器學習》

第一章 緒論

第二章 模型評估與選擇

第三章 線性模型

第四章 決策樹

第五章 神經網路

第六章 支援向量機

第七章 貝葉斯分類器

第八章 整合學習

第九章 聚類

第十章 降緯與度量學習

第十一章 特徵選擇與稀疏學習

第十二章 計算理論學習

第十三章 半監督學習

第十四章 機率圖模型

第十五章 規則學習

第十六章 強化學習

從第三章開始都是常用的機器學習演算法。書籍的前10章是比較基本的要求。

最後，附上書籍的網址：

https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/MLbook2016.htm#

其中有周老師給大家的讀書建議。