摘要：從算法的角度看，機器學習有很多種算法，例如回歸算法、基于實例的算法、正則化算法、決策樹算法、貝葉斯算法、聚合算法、關聯規則學習算法和人工神經網絡算法。

從算法的角度看，機器學習有很多種算法，例如回歸算法、基于實例的算法、正則化算法、決策樹算法、貝葉斯算法、聚合算法、關聯規則學習算法和人工神經網絡算法。很多算法可以應用于不同的具體問題；很多具體的問題也需要同時應用好幾種不同的算法。由于篇幅有限，我們僅介紹其中（可能是公眾心目中名氣最大的）一種：人工神經網絡。

人工神經網絡：

既然人工智能要模擬人類的思考過程，一些人工智能科學家想，不如我們先看看人類是怎樣思考的吧？

人類的大腦是一個復雜的神經網絡。它的組成單元是神經元。每一個神經元看起來很簡單，它們先接收上一個神經細胞的電信號刺激，再向下一個神經細胞發出電信號刺激。

別看神經元細胞很簡單，但如果神經元的數量很多，它們彼此之間的連接恰到好處，變成神經網絡，就可以從簡單中演生出復雜的智能來。例如，人類的大腦中含有1千億個神經元，平均每個神經元跟其他的神經元存在7000個突觸連接。一個三歲小孩大腦中，大約會形成1千萬億個突觸。隨著年齡的增長，人類大腦的突觸數量會逐漸減少。成年人的大腦中，大約會有1百萬億到5百萬億個突觸。

雖然科學家還沒有完全搞清楚人類大腦的神經網絡的運作方式，但人工智能科學家想，不理解沒關系，先在計算機中模擬一組虛擬的神經網絡試試看，這就是人工神經網絡。

在人工神經網絡中，每一個小圓圈都是在模擬一個“神經元”。它能夠接收從上一層神經元傳來的輸入信號（也就是一堆數字）；根據不同神經元在它眼中的重要性，分配不同的權重，然后將輸入信號按照各自的權重加起來（一堆數字乘以權重的大小，再求和）；接著，它將加起來結果代入某個函數（通常是非線性函數），進行運算，得到最終結果；最后，它再將這個結果輸出給神經網絡中的下一層神經元。

人工神經網絡中的神經元看起來很簡單，只知道傻傻地將上一層神經元的輸入數據進行簡單的運算，然后再傻傻地輸出。沒想到這一套還真的很管用，運用一系列精巧的算法，再給它投喂大量的數據之后，人工神經網絡居然能夠像人腦的神經網絡一樣，從復雜的數據中發現一系列“特征”，產生“聰明的思考結果”。

那么人工神經網絡是怎么學習的呢？所謂的學習，本質上是讓人工神經網絡嘗試調節每一個神經元上的權重大小，使得整個人工神經網絡在某一個任務的測試中的表現達到某個要求（例如，識別汽車的正確率達到90%以上）。

請回憶一下前面講過的“梯度下降法”。人工神經網絡嘗試不同的權重大小，相當于在一個參數空間的地圖上四處游走。每一種權重的組合對應的人工神經網絡執行任務時的錯誤率，相當于這個地圖上的每一點都有一個海拔高度。尋找一組權重，使得人工神經網絡的表現最好，錯誤率最低，就相當于在地圖上尋找海拔最低的地方。所以，人工神經網絡的學習過程，常常要用到某種“梯度下降法”，這就是為什么如果將來你要學習人工智能，第一個要掌握的就是“梯度下降法”。

機器學習的分類：

從學習風格的角度看，機器學習有很很多種學習方法，我們簡要地列舉其中幾種方法：監督學習、非監督學習、強化學習和遷移學習。

監督學習：

比方說，你想教計算機如何識別一張照片上的動物是不是貓。你先拿出幾十萬張動物的照片，凡是有貓的，你就告訴計算機有貓；凡是沒有貓的，你就告訴計算機沒有貓。也就是說，你預先給計算機要學習的數據進行了分類。這相當于你監督了計算機的學習過程。

經過一段監督學習的過程之后，如果你再給計算機看照片，它就能認出照片中有沒有貓。

非監督學習：

比方說，你想教計算機區分貓和狗的照片。你拿出幾十萬張貓和狗的照片（沒有其他動物）。你并不告訴計算機哪些是貓，哪些是狗。也就是說，你沒有預先給計算機要學習的數據進行分類，所以你并沒有監督計算機的學習過程。

經過一段監督學習的過程之后，計算機就能把你輸入的照片按照相似性分成兩個大類（也就是區分了貓和狗）。只不過計算機只是從數字照片的數學特征的角度進行了分類，而不是從動物學的角度進行了分類。

強化學習：

比方說，你想教計算機控制一只機械臂打乒乓球。一開始，計算機控制機械臂像傻瓜一樣，拿著球拍做很多隨機的動作，完全不得要領。

但是，一旦機械臂湊巧接到一個球，并把球擊打到對手的球桌上，我們就讓計算機得一分，這叫做獎勵。一旦機械臂沒有正確地接到球、或沒有把球擊打到正確的位置上，我們就給計算機扣一分，這叫做懲罰。經過大量的訓練之后，機械臂漸漸地從獎勵和懲罰中，學會了接球、擊打球的基本動作。

遷移學習：

比方說，你讓計算機學會了控制機械臂打乒乓球之后，又叫它學習打網球。這個時候，你不需要讓計算機從零開始重新學，因為乒乓球和網球的規則是相似的。例如，這兩種球都要把球擊打到對方的球場/球桌上。所以，計算機可以將之前學到的動作遷移過來。這樣一種學習，就叫做遷移學習。