常见的分类方法有决策树、人工神经网络、支持向量机、贝叶斯分类器等。
机器学习数学知识
贝叶斯思维（先验概率、后验概率）
贝叶斯分类器
核心思路是根据条件概率计算待判断点的类型。
是相对容易理解的一个模型，至今依然被垃圾邮件过滤器使用。
（不必获取所有证据之后再进行判断，而是结合已知条件先进行判断，再通过数据不断去验证、调整、修改这个判断，让它无尽趋于合理化。）
隐马尔科夫模型（用在序列数据的处理上，隐藏变量，观测变量）
（一阶，只考虑前一个对该店的影响）马尔科夫模型是指，假设序列中的任何一个随机变量在给定它的前一个变量时的分布与更早的变量无关，即：
概率图模型
概率中的六大分布
大数定理、中心极限定理
大数定律
古典概型
——概率统计（找规律）、线性代数（表示数据【矩阵】空间投射【降维】）、微积分与最优化
概率统计是利用数据发现规律、推测未知的思想方法
（机器学习应用中的思想方法与核心算法大多都是构筑在统计思维方法之上）线性代数是利用空间投射和表征数据的基本工具
微积分与最优化是机器学习模型中最终解决方案的落地手段
具体应用
现如今，计算机科学、人工智能、数据科学已成为技术发展的主要推动力。 无论是要翻阅这些领域的文章，还是要参与相关任务，你马上就会遇到一些拦路虎：
1、想过滤垃圾邮件，不具备概率论中的贝叶斯思维恐怕不行；2、 想试着进行一段语音识别，则必须要理解随机过程中的隐马尔科夫模型；
3、想通过观察到的样本推断出某类对象的总体特征，估计理论和大数定理的思想必须建立；
4、在统计推断过程中，要理解广泛采用的近似采样方法，蒙特卡洛方法以及马尔科夫过程的稳态也得好好琢磨；
5、想从文本中提取出我们想要的名称实体，概率图模型也得好好了解
该怎么学这些东西呢
将理论预算法应用场景关联
首先，集中力量、紧紧围绕机器学习核心算法中所涉及到的知识进行学习，做好精确打击。
然后，注重加强基础知识与算法、应用案例之间的联系，将理论和算法应用场景相互关联，形成学以致用的实践导向。
同时，运用好 Python 工具，做到和工程应用无缝对接，利用 Numpy、Scipy、Matplotlib、Pandas 等工具强化对知识的理解、提升工作效率。
Pandas python的一个数据分析包
Scipy是基于Numpy在科学计算领域非常强大的一个库。在优化、非线性方程求解、常微分方程等方面应用广泛,因此可以与Numpy、pandas、matplotlib结合来替代Matlab