原文：推荐 | 机器学习经典总结，入门必读【17000字，可下载PDF】
一、机器学习方法是计算机利用已有的数据（经验），得出了某种模型（规律），并利用此模型预测未来的一种方法。
机器学习相关联的领域：模式识别（工业界）、数据挖掘、统计学习、计算机视觉、语音识别、自然语言处理等。
二、机器学习的方法：
1、回归算法：有两个子类：线性回归和逻辑回归
·线性回归：拟出一条直线匹配所有的数据。一般使用最小二乘法求解，它的思想是求解一条直线，使所有误差的平方和最小。将优化问题转化为函数极值问题。
·逻辑回归：线性回归处理的是数值的问题，最后预测出的结果是数字。逻辑回归属于分类算法，其预测的结果是离散的分类。
2.神经网络（ANN）
在神经网络中，分成输入层、隐藏层、和输出层。输入层负责输入信号，隐藏层负责对数据的分解和处理，最后的结果被整合到输出层。
每个层中有若干个处理单元，可以认为是模拟了神经元。在神经网络中，每个处理单元事实上就是一个逻辑回归模型。
3.SVM（支持向量机）
支持向量机算法从某种意义上来说是逻辑回归算法的强化：通过给与逻辑回归算法更严格的优化条件，支持向量机算法可以获得比逻辑回归算法更好的分类界限。
通过跟高斯“核”的结合，支持向量机可以表达出非常复杂的分类界限，从而达到很好的分类效果。“核”事实上就是一种特殊的函数。
4.聚类算法
前面的算法中成为监督算法（数据有标签）
还有一类，数据不包含标签，而算法的目的是通过训练，推测出这些数据的标签。成为无监督算法。
聚类算法就是计算种群中的距离，根据距离的远近将数据划分为多个族群。
聚类算法中最点行的代表：K-Means算法
5.降维算法
也是一种无监督算法，主要特征是将数据从高维降低到低维层次。
维度其实代表数据的特征量的大小。房子包含长、宽、面积、房间数四个特征，也就是维度为4的数据。
降维算法就是去除冗余信息，比如面积=长x宽，将特征减少为面积和房间数量两个特征。
6.推荐算法
主要特征是自动向用户推荐他们想要的东西。
总结
监督学习算法：
线性回归、逻辑回归、神经网络、SVM
无监督学习算法：
聚类算法、降维算法
特殊算法：
推荐算法
还有一下为了解决某些问题而诞生：
梯度下降法：主要用在线性回归、逻辑回归、神经网络、推荐算法中。
牛顿法：主要用在线性回归中
BP算法：用于神经网络中
SMO算法：用于SVM中
三、深度学习（机器学习的子类）
深度学习就是传统的神经网络发展到了多隐藏层的情况。
End
