機器學習的思想並不複雜，它僅僅是對人類生活、學習過程的一個模擬。而在這整個過程中，最關鍵的是資料。任何通過資料訓練的學習演算法的相關研究都屬於機器學習，包括很多已經發展多年的技術，比如：
-
線性回歸（Linear Regression）
-
K均值（K-Means，基於原型的目標函數聚類方法）
-
決策樹（Decision Trees，運用概率分析的一種圖解法）
-
隨機森林（Random Forest，運用概率分析的一種圖解法）
-
PCA（Principal Component Analysis，主成分分析）
-
SVM（Support Vector Machine，支援向量機）
-
ANN（Artificial Neural Networks，人工神經網路）
可見，機器學習的演算法非常多，本文將介紹一些最常用的機器學習分類方法。
監督學習
監督學習（Supervised Learning）表示機器學習的資料是帶標記的，這些標記可以包括資料類別、資料屬性及特徵點位置等。這些標記作為預期效果，不斷修正機器的預測結果。
具體實現過程是：通過大量帶有標記的資料來訓練機器，機器將預測結果與期望結果進行比對；之後根據比對結果來修改模型中的引數，再一次輸出預測結果；然後將預測結果與期望結果進行比對，重複多次直至收斂，最終生成具有一定魯棒性的模型來達到智慧決策的能力。
常見的監督學習有分類和回歸：
-
分類（Classification）是將一些範例資料分到合適的類別中，它的預測結果是離散的。
-
回歸（Regression）是將資料歸到一條“線”上，即為離散資料生產擬合曲線，因此其預測結果是連續的。
無監督學習
無監督學習（Unsupervised Learning）表示機器學習的資料是沒有標記的。機器從無標記的資料中探索並推斷出潛在的聯絡。
常見的無監督學習有聚類和降維。
-
在聚類（Clustering）工作中，由於事先不知道資料類別，因此只能通過分析資料樣本在特徵空間中的分布，例如基於密度或基於統計學概率模型等，從而將不同資料分開，把相似資料聚為一類。
-
降維（Dimensionality Reduction）是將資料的維度降低。例如描述一個西瓜，若只考慮外皮顏色、根蒂、敲聲、紋理、大小及含糖率這6個屬性，則這6個屬性代表了西瓜資料的維度為6。進一步考慮降維的工作，由於資料本身具有龐大的數量和各種屬性特徵，若對全部資料資訊進行分析，將會增加訓練的負擔和儲存空間。因此可以通過主成分分析等其他方法，考慮主要影響因素，捨棄次要因素，從而平衡準確度與效率。
強化學習
強化學習（Reinforcement Learning）是帶有激勵機制的，具體來說，如果機器行動正確，將施予一定的“正激勵”；如果行動錯誤，同樣會給出一個懲罰（也可稱為“負激勵”）。因此在這種情況下，機器將會考慮如何在一個環境中行動才能達到激勵的最大化，具有一定的動態規劃思想。
例如在貪吃蛇遊戲中，貪吃蛇需要通過不斷吃到“食物”來加分。為了不斷提高分數，貪吃蛇需要考慮在自身位置上如何轉向才能吃到“食物”，這種學習過程便可理解為一種強化學習。
強化學習最為火熱的一個應用就是谷歌 AlphaGo 的升級品——AlphaGo Zero。相較於 AlphaGo，AlphaGo Zero 捨棄了先驗知識，不再需要人為設計特徵，直接將棋盤上黑、白棋子的擺放情況作為原始資料輸入到模型中，機器使用強化學習來自我博弈，不斷提升自己從而最終出色完成下棋任務。AlphaGo Zero 的成功，證明了在沒有人類的經驗和指導下，深度強化學習依然能夠出色地完成指定任務。
深度學習
我們要想具有更強的智慧，除了擁有大量的資料以外還要有好的經驗總結方法。深度學習就是一種實現這種機器學習的優秀技術。深度學習本身是神經網路演算法的衍生。
作為深度學習父類別的機器學習，是人工智慧的核心，它屬於人工智慧的一個分支。
深度學習是新興的機器學習研究領域，旨在研究如何從資料中自動地提取多層特徵表示，其核心思想是通過資料驅動的方式，採用一系列的非線性變換，從原始資料中提取由低層到高層、由具體到抽象、由一般到特定語意的特徵。
深度學習不僅改變著傳統的機器學習方法，也影響著人類感知的理解，迄今已在語音識別、影象理解、自然語言處理和視訊推薦等應用領域引發了突破性的變革。