機(jī)器學(xué)習(xí)有三個(gè)要素：模型、策略和算法。其中，一些常見的機(jī)器學(xué)習(xí)算法，按使用起來簡(jiǎn)單的程度來排序如下：

決策樹（Decision Tree）

一種廣泛使用的分類算法。相比貝葉斯算法，決策樹的優(yōu)勢(shì)在于構(gòu)造過程不需要任何領(lǐng)域知識(shí)或參數(shù)設(shè)置，因此在實(shí)際應(yīng)用中，對(duì)于探測(cè)式的知識(shí)發(fā)現(xiàn)，決策樹更加適用。

優(yōu)點(diǎn)：擅長(zhǎng)對(duì)人、地點(diǎn)、事物的一系列不同特征、品質(zhì)、特性進(jìn)行評(píng)估。

場(chǎng)景舉例：基于規(guī)則的信用評(píng)估、賽馬結(jié)果預(yù)測(cè)。

支持向量機(jī)（Support Vector Machine）

其含義是通過“支持向量”運(yùn)算的分類器。其中“機(jī)”的意思是機(jī)器，可以理解為分類器。什么是支持向量呢？在求解的過程中，會(huì)發(fā)現(xiàn)只根據(jù)部分?jǐn)?shù)據(jù)就可以確定分類器，這些數(shù)據(jù)稱為支持向量。例如，在一個(gè)二維環(huán)境中，其中點(diǎn)R，S，G點(diǎn)和其它靠近中間黑線的點(diǎn)可以看作為支持向量，它們可以決定分類器，也就是黑線的具體參數(shù)。

所以，支持向量機(jī)可以對(duì)數(shù)據(jù)群進(jìn)行分類。

優(yōu)點(diǎn)：支持向量機(jī)擅長(zhǎng)在變量X與其它變量之間進(jìn)行二元分類操作，無論其關(guān)系是否是線性的。

場(chǎng)景舉例：新聞分類、手寫識(shí)別。

回歸（Regression）

回歸可以勾畫出因變量與一個(gè)或多個(gè)因變量之間的狀態(tài)關(guān)系。回歸問題屬于有監(jiān)督學(xué)習(xí)的范疇?；貧w問題的目標(biāo)是給定D維輸入變量x，并且每一個(gè)輸入矢量x都有對(duì)應(yīng)的值y，要求對(duì)于新來的數(shù)據(jù)預(yù)測(cè)它對(duì)應(yīng)的連續(xù)的目標(biāo)值t。

優(yōu)點(diǎn)：回歸可用于識(shí)別變量之間的連續(xù)關(guān)系，即便這個(gè)關(guān)系不是非常明顯。

場(chǎng)景舉例：路面交通流量分析、郵件過濾。

樸素貝葉斯分類（Naive Bayes Classification）

貝葉斯分類是一類分類算法的總稱，這類算法均以貝葉斯定理為基礎(chǔ)，故統(tǒng)稱為貝葉斯分類。而樸素貝葉斯分類是貝葉斯分類中最簡(jiǎn)單，也是常見的一種分類方法。

樸素貝葉斯分類器用于計(jì)算可能條件的分支概率。

優(yōu)點(diǎn)：對(duì)于在小數(shù)據(jù)集上有顯著特征的相關(guān)對(duì)象，樸素貝葉斯方法可對(duì)其進(jìn)行快速分類

場(chǎng)景舉例：情感分析、消費(fèi)者分類

隱馬爾可夫模型（Hidden Markov model）

顯馬爾可夫過程是完全確定性的——一個(gè)給定的狀態(tài)經(jīng)常會(huì)伴隨另一個(gè)狀態(tài)。交通信號(hào)燈就是一個(gè)例子。相反，隱馬爾可夫模型通過分析可見數(shù)據(jù)來計(jì)算隱藏狀態(tài)的發(fā)生。隨后，借助隱藏狀態(tài)分析，隱馬爾可夫模型可以估計(jì)可能的未來觀察模式。

優(yōu)點(diǎn)：容許數(shù)據(jù)的變化性，適用于識(shí)別（recognition）和預(yù)測(cè)操作。

場(chǎng)景舉例：面部表情分析、氣象預(yù)測(cè)。

隨機(jī)森林（Random forest）

隨機(jī)森林通過對(duì)訓(xùn)練集生成多個(gè)決策樹，在決策時(shí)，每個(gè)樹都會(huì)預(yù)測(cè)一個(gè)結(jié)果，通過對(duì)所有結(jié)果進(jìn)行表決來避免過擬合。具體而言，利用隨機(jī)的方式建立一個(gè)森林，森林里有很多的決策樹組成，當(dāng)有一個(gè)新的數(shù)據(jù)樣本進(jìn)入的時(shí)候，就讓森林中每一棵決策樹，分別進(jìn)行判斷其屬于哪一類，然后看哪一類被選擇最多，就預(yù)測(cè)這個(gè)樣本為哪一類。

優(yōu)點(diǎn)：隨機(jī)森林方法被證明對(duì)大規(guī)模數(shù)據(jù)集和存在大量且有時(shí)不相關(guān)特征的項(xiàng)（item）來說很有用。

場(chǎng)景舉例：用戶流失分析、風(fēng)險(xiǎn)評(píng)估。

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network）

在任意神經(jīng)網(wǎng)絡(luò)中，每個(gè)神經(jīng)元都通過1個(gè)或多個(gè)隱藏層來將很多輸入轉(zhuǎn)換成單個(gè)輸出。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）會(huì)將值進(jìn)一步逐層傳遞，讓逐層學(xué)習(xí)成為可能。換句話說，RNN存在某種形式的記憶，允許先前的輸出去影響后面的輸入。

優(yōu)點(diǎn)：循環(huán)神經(jīng)網(wǎng)絡(luò)在存在大量有序信息時(shí)具有預(yù)測(cè)能力。

場(chǎng)景舉例：圖像分類與字幕添加、政治情感分析。

長(zhǎng)短期記憶（Long short-term memory，LSTM）

早期的RNN形式是會(huì)存在損耗的。盡管這些早期循環(huán)神經(jīng)網(wǎng)絡(luò)只允許留存少量的早期信息，新近的長(zhǎng)短期記憶（LSTM）與門控循環(huán)單元（GRU）神經(jīng)網(wǎng)絡(luò)都有長(zhǎng)期與短期的記憶。換句話說，這些新近的RNN擁有更好的控制記憶的能力，允許保留早先的值或是當(dāng)有必要處理很多系列步驟時(shí)重置這些值，這避免了「梯度衰減」或逐層傳遞的值的最終degradation。LSTM與GRU網(wǎng)絡(luò)使得我們可以使用被稱為「門（gate）」的記憶模塊或結(jié)構(gòu)來控制記憶，這種門可以在合適的時(shí)候傳遞或重置值。

優(yōu)點(diǎn)：長(zhǎng)短期記憶和門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)具備與其它循環(huán)神經(jīng)網(wǎng)絡(luò)一樣的優(yōu)點(diǎn)，但因?yàn)樗鼈冇懈玫挠洃浤芰Γ愿１皇褂谩?/p>

場(chǎng)景舉例：自然語言處理、翻譯。

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network）

帶著一組固定權(quán)重的神經(jīng)元是一個(gè)濾波器，多個(gè)濾波器疊加便成了卷積層。

因?yàn)槊總€(gè)神經(jīng)元的多個(gè)權(quán)重固定，所以又可以看做一個(gè)恒定的濾波器filter）做內(nèi)積（逐個(gè)元素相乘再求和）的操作就是所謂的『卷積』操作，也是卷積神經(jīng)網(wǎng)絡(luò)的名字來源。

卷積神經(jīng)網(wǎng)絡(luò)廣泛用于圖像檢測(cè)，它的實(shí)現(xiàn)原理與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)基本上是一樣的。

優(yōu)點(diǎn)：當(dāng)存在非常大型的數(shù)據(jù)集、大量特征和復(fù)雜的分類任務(wù)時(shí)，卷積神經(jīng)網(wǎng)絡(luò)是非常有用的。

場(chǎng)景舉例：圖像識(shí)別、文本轉(zhuǎn)語音、藥物發(fā)現(xiàn)。