1. 绪论
2. 模型评估与选择
3. 线性模型
   用一个线性数学公式表示输入和输出的关系
4. 决策树
   if-else
5. 神经网络
   当有大量的样本和每个样本的一个变量就是神经元的触角，这些触角的作用可以反馈到神经的反应，这个反应就是结果。无数个神经元就形成了神经网络。
6. 支持向量机
   试图找到一个可以将真假的分界线，划分两个领域，在分界线左边或者右边就是真和假
7. 贝叶斯分类器
   用概率论的方式进行预测结果，每一个样本的一个条件对结果的影响概率，多个条件和概率的综合可以反应整体结果概况，对于测试样本只需要对结果做运算
8. 集成学习
   运用多种分类器进行样本预测
9. 聚类
   无监督学习，有机器自由分类
10. 降维与度量学习
    在概率高的地方着重选取样本或条件，重点突出，代表投票选出结果
11. 特征选择与稀疏学习
    选择样本特征，主要对结果有影响的特征，重点学习
12. 计算--学习理论
    对学习理论的一种计算，提供学习算法的理论支持
13. 半监督学习
    基于监督和非监督之间的方式
14. 概率图模型
    并不是图片的图，而是一种数据结构，图，将概率制作成图
15. 规则学习
    实战部分 人工给定规则给学习算法，
    16.强化学习
    对于任务的预测成功，则给予算法一定的奖励

理解方法：机器学习，就是做预测，单个预测，或多个预测，预测之前给定一定规模的样本数目，作为参照物，测试样本则是用来检验算法的成败或概率的。
有以上一些算法理论，和操作的方法论。