机器学习（Machine Learning）正在进步，我们似乎正在不断接近我们心中的人工智能目标。语音识别、图像检测、机器翻译、风格迁移等技术已经在我们的实际生活中开始得到了应用，但机器学习的发展仍还在继续，甚至被认为有可能彻底改变人类文明的发展方向乃至人类自身。但你了解现在正在发生的这场变革吗？让我们通过本篇文章，轻松上手机器学习。
目前所有的机器学习算法，大概可以被分为四到五类：
1、监督学习（Supervised Learning）
如果在学习的过程中，我们不断的向计算机提供数据 和 这些数据所对应的label（标签），比如说给计算机看猫和狗的图片，告诉计算机哪些图片里的是猫，哪些图片里的是狗，然后再让它学习去分辨猫和狗，通过这种指引的方式，让计算机学习我们是如何把这些图片数据对应上图片所代表的物体，这种方式就叫做监督学习（Supervised Learning）,预测房屋价格，股票的涨停同样可以用监督学习来实现，大家所熟知的神经网络同样是一种监督学习方式。
监督学习的代表算法有决策树（Decision Tree）、朴素贝叶斯分类（Naive Bayesian classification）、最小二乘法（Ordinary Least Squares Regression）、逻辑回归 （Logistic Regression）、支持向量机（Support Vector Machine, SVM）、集成方法（Ensemble methods）。
2、无监督学习（Unsupervised Learning）
如果同样在这种学习过程中，我们只给计算机提供猫和狗的图片，但并没有告诉它哪些是猫，哪些是狗，取而代之的是，我让它自己去判断和分类，让它自己总结两种类型的图片的不同之处，这就是一种“非监督学习（Unsupervised Learning）”，在这一种学习过程中，我们可以不用提供数据所对应的标签信息，计算机通过观察各种数据之间的特性，会发现这些特性背后的规律，这些规律也就是非监督学习所学到的东西。
无监督学习的代表算法有聚类算法(Clustering Algorithms)、主成分分析（Principal Component Analysis, PCA）、奇异值分解（Singular Value Decomposition, SVD）、独立成分分析（Independent Component Analysis, ICA）
3、半监督学习（Semi-Supervised Learning）
半监督学习（Semi-Supervised Learning）是综合了监督学习和非监督学习的特征，它主样本要考虑如何利用少量有标签的样本和大量没有标签样本进行训练和分类。
4、强化学习（Reinforcement Learning）
在规划机器人的行为准则方面，一种机器学习方法叫做“强化学习（Reinforcement Learning）”，也就是把计算机丢到了一个对于它完全陌生的环境或者让它完成一项从未接触过的任务，它自己会去尝试各种手段，最后让自己成功适应这一个陌生的环境，或者学会完成这件任务的方法和途径，比如我想训练机器人去投篮球，我只需要给它一个球，并告诉它你投进了我给你记一分，让它自己去尝试各种各样的投篮方法，在开始阶段，它的命中率可能会非常低，不过它互相人类一样自己总结和学习投篮成功或失败的经验，最后达到很高的命中率。
Google开发的ALPHAGO也就是应用了这一种学习方式
5、遗传算法（Genetic Algorithm）
遗传算法（Genetic Algorithm）是一种和强化学习类似的学习方法，这一种方法是模拟我们熟知的进化理论，优胜虐太，适者生存，通过这种淘汰机制去选择最优的设计或模型
比如让计算机学会玩超级玛丽，最开始马里奥1代可能不久就牺牲了，不过系统会基于1代的马里奥随机生成2代，然后在保存这些代里面最厉害的马里奥，淘汰掉比较弱的马里奥，然后再次基于强者“繁衍和变异”，这就是遗传算法的基本思想。
如果你不满足与弄懂这些方法的区别，还想学者如何在你的生活中使用这些机器学习方法，请继续关注我的后续跟新。