本文介紹了機器學習基礎的圖表，其中介紹了機器學習的基本概念、原理、歷史、未來趨勢和一些常見的算法。
一、機器學習概覽
1. 什么是機器學習？
機器通過分析大量數據來進行學習。比如說，不需要通過編程來識別貓或人臉，它們可以通過使用圖片來進行訓練，從而歸納和識別特定的目標。
2. 機器學習和人工智能的關系
機器學習是一種重在尋找數據中的模式并使用這些模式來做出預測的研究和算法的門類。機器學習是人工智能領域的一部分，并且和知識發現與數據挖掘有所交集。
3. 機器學習的工作方式
①選擇數據：將你的數據分成三組：訓練數據、驗證數據和測試數據；
②模型數據：使用訓練數據來構建使用相關特征的模型；
③驗證模型：使用你的驗證數據接入你的模型；
④測試模型：使用你的測試數據檢查被驗證的模型的表現；
⑤使用模型：使用完全訓練好的模型在新數據上做預測；
⑥調優模型：使用更多數據、不同的特征或調整過的參數來提升算法的性能表現。
4. 機器學習所處的位置
①傳統編程：軟件工程師編寫程序來解決問題。首先存在一些數據→為了解決一個問題，軟件工程師編寫一個流程來告訴機器應該怎樣做→計算機遵照這一流程執行，然后得出結果。
②統計學：分析師比較變量之間的關系。
③機器學習：數據科學家使用訓練數據集來教計算機應該怎么做，然后系統執行該任務。首先存在大數據→機器會學習使用訓練數據集來進行分類貝葉斯網絡參數學習及對無人機的決策支持，調節特定的算法來實現目標分類→該計算機可學習識別數據中的關系、趨勢和模式。
④智能應用：智能應用使用人工智能所得到的結果，如圖是一個精準農業的應用案例示意，該應用基于無人機所收集到的數據。
5. 機器學習的實際應用
機器學習有很多應用場景，這里給出了一些示例，你會怎么使用它？
二、機器學習的演化
幾十年來，人工智能研究者的各個「部落」一直以來都在彼此爭奪主導權?，F在是這些部落聯合起來的時候了嗎？他們也可能不得不這樣做，因為合作和算法融合是實現真正通用人工智能（AGI）的唯一方式。這里給出了機器學習方法的演化之路以及未來的可能模樣。
1. 五大流派
①符號主義：使用符號、規則和邏輯來表征知識和進行邏輯推理，最喜歡的算法是：規則和決策樹。
②貝葉斯派：獲取發生的可能性來進行概率推理，最喜歡的算法是：樸素貝葉斯或馬爾可夫。
③聯結主義：使用概率矩陣和加權神經元來動態地識別和歸納模式，最喜歡的算法是：神經網絡。
④進化主義：生成變化，然后為特定目標獲取其中最優的，最喜歡的算法是：遺傳算法。
⑤：根據約束條件來優化函數（盡可能走到更高，但同時不要離開道路），最喜歡的算法是：支持向量機。
2. 演化的階段
1980 年代
1990 年代到 2000 年
2010 年代早期到中期
3. 這些流派有望合作，并將各自的方法融合到一起
2010 年代末期
2020 年代+
2040 年代+
三、機器學習的算法
你應該使用哪種機器學習算法？這在很大程度上依賴于可用數據的性質和數量以及每一個特定用例中你的訓練目標。不要使用最復雜的算法，除非其結果值得付出昂貴的開銷和資源。這里給出了一些最常見的算法，按使用簡單程度排序。
1. 決策樹（ Tree）
在進行逐步應答過程中，典型的決策樹分析會使用分層變量或決策節點，例如，可將一個給定用戶分類成信用可靠或不可靠。
2. 支持向量機（ ）
基于超平面（），支持向量機可以對數據群進行分類。
3. 回歸（）
回歸可以勾畫出因變量與一個或多個因變量之間的狀態關系。在這個例子中，將垃圾郵件和非垃圾郵件進行了區分。
4. 樸素貝葉斯分類（Naive Bayes ）
樸素貝葉斯分類器用于計算可能條件的分支概率。每個獨立的特征都是「樸素」或條件獨立的，因此它們不會影響別的對象。例如，在一個裝有共 5 個黃色和紅色小球的罐子里，連續拿到兩個黃色小球的概率是多少？從圖中最上方分支可見，前后抓取兩個黃色小球的概率為 1/10。樸素貝葉斯分類器可以計算多個特征的聯合條件概率。
5. 隱馬爾可夫模型（ model）
顯馬爾可夫過程是完全確定性的——一個給定的狀態經常會伴隨另一個狀態。交通信號燈就是一個例子。相反，隱馬爾可夫模型通過分析可見數據來計算隱藏狀態的發生。隨后，借助隱藏狀態分析，隱馬爾可夫模型可以估計可能的未來觀察模式。在本例中，高或低氣壓的概率（這是隱藏狀態）可用于預測晴天、雨天、多云天的概率。
6. 隨機森林（ ）
隨機森林算法通過使用多個帶有隨機選取的數據子集的樹（tree）改善了決策樹的精確性。本例在基因表達層面上考察了大量與乳腺癌復發相關的基因，并計算出復發風險。
7. 循環神經網絡（ ）
在任意神經網絡中，每個神經元都通過 1 個或多個隱藏層來將很多輸入轉換成單個輸出。循環神經網絡（RNN）會將值進一步逐層傳遞，讓逐層學習成為可能。換句話說，RNN 存在某種形式的記憶，允許先前的輸出去影響后面的輸入。
8. 長短期記憶（Long short-term ，LSTM）與門控循環單元神經網絡（gated unit ）
早期的 RNN 形式是會存在損耗的。盡管這些早期循環神經網絡只允許留存少量的早期信息，新近的長短期記憶（LSTM）與門控循環單元（GRU）神經網絡都有長期與短期的記憶。換句話說，這些新近的 RNN 擁有更好的控制記憶的能力，允許保留早先的值或是當有必要處理很多系列步驟時重置這些值，這避免了「梯度衰減」或逐層傳遞的值的最終 。LSTM 與 GRU 網絡使得我們可以使用被稱為「門（gate）」的記憶模塊或結構來控制記憶貝葉斯網絡參數學習及對無人機的決策支持，這種門可以在合適的時候傳遞或重置值。
9. 卷積神經網絡（ ）
卷積是指來自后續層的權重的融合，可用于標記輸出層。