一、機器學(xué)習(xí)3大算法

　　1.決策樹算法

　　先將樣本分成不同的子集，再進行分割遞推，直至每個子集得到同類型的樣本，從根節(jié)點開始測試，到子樹再到葉子節(jié)點，即可得出預(yù)測類別。此方法的特點是結(jié)構(gòu)簡單、處理數(shù)據(jù)效率較高。

　　2.樸素貝葉斯算法

　　樸素貝葉斯算法是一種分類算法。它不是單一算法，而是一系列算法，它們都有一個共同的原則，即被分類的每個特征都與任何其他特征的值無關(guān)。樸素貝葉斯分類器認為這些“特征”中的每一個都獨立地貢獻概率，而不管特征之間的任何相關(guān)性。然而，特征并不總是獨立的，這通常被視為樸素貝葉斯算法的缺點。簡而言之，樸素貝葉斯算法允許我們使用概率給出一組特征來預(yù)測一個類。與其他常見的分類方法相比，樸素貝葉斯算法需要的訓(xùn)練很少。在進行預(yù)測之前必須完成的唯一工作是找到特征的個體概率分布的參數(shù)，這通?？梢钥焖偾掖_定地完成。這意味著即使對于高維數(shù)據(jù)點或大量數(shù)據(jù)點，樸素貝葉斯分類器也可以表現(xiàn)良好。

　　3.支持向量機算法

　　基本思想可概括如下：首先，要利用一種變換將空間高維化，當然這種變換是非線性的，然后，在新的復(fù)雜空間取最優(yōu)線性分類表面。由此種方式獲得的分類函數(shù)在形式上類似于神經(jīng)網(wǎng)絡(luò)算法。支持向量機是統(tǒng)計學(xué)習(xí)領(lǐng)域中一個代表性算法，但它與傳統(tǒng)方式的思維方法很不同，輸入空間、提高維度從而將問題簡短化，使問題歸結(jié)為線性可分的經(jīng)典解問題。支持向量機應(yīng)用于垃圾郵件識別，人臉識別等多種分類問題。

　　二、AI、機器學(xué)習(xí)、深度學(xué)習(xí)有何聯(lián)系

　　機器學(xué)習(xí)是一種實現(xiàn)人工智能的方法。機器學(xué)習(xí)最基本的做法，是使用算法來解析數(shù)據(jù)、從中學(xué)習(xí)，然后對真實世界中的事件做出決策和預(yù)測。與傳統(tǒng)的為解決特定任務(wù)而編碼的軟件程序不同，機器學(xué)習(xí)是用大量的數(shù)據(jù)來“訓(xùn)練”，通過各種算法從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)。機器學(xué)習(xí)傳統(tǒng)的算法包括決策樹、聚類、貝葉斯分類等。從學(xué)習(xí)方法上來分可以分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、集成學(xué)習(xí)、深度學(xué)習(xí)和強化學(xué)習(xí)。

　　深度學(xué)習(xí)是一種實現(xiàn)機器學(xué)習(xí)的技術(shù)。最初的深度學(xué)習(xí)是利用深度神經(jīng)網(wǎng)絡(luò)來解決特征表達的一種學(xué)習(xí)過程(深度神經(jīng)網(wǎng)絡(luò)可大致理解為包含多個隱含層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu))。深度學(xué)習(xí)本來并不是一種獨立的學(xué)習(xí)方法，其本身也會用到有監(jiān)督和無監(jiān)督的學(xué)習(xí)方法來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。但由于近幾年該領(lǐng)域發(fā)展迅猛，一些特有的學(xué)習(xí)手段相繼被提出(如殘差網(wǎng)絡(luò))，因此越來越多的人將其單獨看作一種學(xué)習(xí)的方法。

　　綜上，機器學(xué)習(xí)是一種實現(xiàn)人工智能的方法，深度學(xué)習(xí)是一種實現(xiàn)機器學(xué)習(xí)的技術(shù)。并且可以看出，目前世界上機器人產(chǎn)商所說的人工智能主要集中于弱人工智能這一領(lǐng)域，通過加裝視覺傳感器、力覺傳感器、激光雷達等多種類型的傳感收集周圍信息，通過支持主流深度學(xué)習(xí)框架，利用智能算法庫，提高機器人在完成交互、感知、識別、分類、決策等任務(wù)的表現(xiàn)。目前雖然距離實現(xiàn)強人工智能還有比較大的差距，但通過軟硬件技術(shù)的不斷進步，以及基礎(chǔ)研究的積累，也許我們在不遠的將來可以實現(xiàn)強人工智能。