機器學習火了很久了，大家對這個主題都很熟悉了，每個人都在談論它，但少有人是真正了解它的。一些關于機器學習的文章晦澀難懂，或者云里霧里地介紹人工智能等高端科技的魔力以及未來的憧憬等。

如今通過清晰明了的圖畫和簡潔的語言，使機器學習能夠更容易地被理解。首先何為AI？AI 到底它涵蓋哪些領域？其實根據判斷方式不同，AI 范疇的劃分也不一樣。你可能會認為人工智能是個完整的知識領域，類似于生物學化學等學科，機器學習是人工智能的一部分，神經網絡是機器學習的一種。

但是，難道深度學習就一定是神經網絡嗎？明顯并不是的，因此更科學的劃分可能是下圖中的這種：
機器學習首先表示的是學習，即使用機器學習挖掘本身的方法，這類方法能自己學習數據特征，這里有一張完整的機器學習路線圖供你參考。
按主流分類來看，機器學習主要分為四類：經典機器學習、集成方法、強化學習、神經網絡和深度學習。
經典機器學習主要分為兩類：監(jiān)督型學習和非監(jiān)督型學習。
監(jiān)督學習指的是模型需要一個導師，即特征標注，這樣的話機器就可以基于這些標注學習并進行進一步的分類。萬事皆可分類，其中樸素貝葉斯算法得到了極其廣泛的應用，曾被認為是最優(yōu)雅、最實用的算法。
支持向量機是經典分類方法中最流行的一種，背后的思路也很簡單，以下圖為例，它試圖在數據點之間畫出兩條距點最遠的線。
回歸也屬于監(jiān)督學習，基本上也是分類，但計算的是數字而不是類別，例如按里程計算的汽車耗油量，按時間計算交通流量，當所計算的事物是依賴于時間時，回歸是非常合適的選擇。
無監(jiān)督學習直到90 年代才出現，由機器去選擇最佳方式來分割未知特征。無監(jiān)督學習之一聚類是一種沒有預先定義類的分類。比如你不知道所有顏色時，把衣服按顏色分類一樣。
無監(jiān)督學習之二降維，人們在使用抽象的概念總是比使用零碎的特征更方便。舉個例子，將所有長著長鼻子、大尾巴和三角形耳朵的狗合成一個抽象概念牧羊犬。假如我們要將這些具有特性的內容組成一個新的概念，以保持其潛在關聯性，降維是個不錯的選擇。
無監(jiān)督學習之三關聯規(guī)則學習，包括分析購物車自主搭配，自動化營銷策略等?，F實生活中，每個大型銷售商都有自己的解決方案，而當中技術水平最高的要數個性化推薦。
團結就是力量很好地表達了機器學習集成方法的基本思想。在集成方法中，訓練多個弱模型，以期能組合成為一個強大的算法。一般而言集成方法主要可以分為三種：Boosting、Stacking、Bagging。
Bagging 通常是相互獨立地并行學習弱學習器，并按照某種平均過程組合起來，如果所有弱學習器都是決策樹，那么得到的 Bagging 就是隨機森林。
Boosting 考慮的也是同質弱學習器，只不過它是分而治之，專注于部分數據，以一種高度自適應的方法順序地學習弱學習器。大名鼎鼎的 XGBoost、LightGBM都采用的 Boosting 方法。