一、機器學習3大算法

　　1.決策樹算法

　　先將樣本分成不同的子集，再進行分割遞推，直至每個子集得到同類型的樣本，從根節點開始測試，到子樹再到葉子節點，即可得出預測類別。此方法的特點是結構簡單、處理數據效率較高。

　　2.樸素貝葉斯算法

　　樸素貝葉斯算法是一種分類算法。它不是單一算法，而是一系列算法，它們都有一個共同的原則，即被分類的每個特征都與任何其他特征的值無關。樸素貝葉斯分類器認為這些“特征”中的每一個都獨立地貢獻概率，而不管特征之間的任何相關性。然而，特征并不總是獨立的，這通常被視為樸素貝葉斯算法的缺點。簡而言之，樸素貝葉斯算法允許我們使用概率給出一組特征來預測一個類。與其他常見的分類方法相比，樸素貝葉斯算法需要的訓練很少。在進行預測之前必須完成的唯一工作是找到特征的個體概率分布的參數，這通常可以快速且確定地完成。這意味著即使對于高維數據點或大量數據點，樸素貝葉斯分類器也可以表現良好。

　　3.支持向量機算法

　　基本思想可概括如下：首先，要利用一種變換將空間高維化，當然這種變換是非線性的，然后，在新的復雜空間取最優線性分類表面。由此種方式獲得的分類函數在形式上類似于神經網絡算法。支持向量機是統計學習領域中一個代表性算法，但它與傳統方式的思維方法很不同，輸入空間、提高維度從而將問題簡短化，使問題歸結為線性可分的經典解問題。支持向量機應用于垃圾郵件識別，人臉識別等多種分類問題。

　　二、AI、機器學習、深度學習有何聯系

　　機器學習是一種實現人工智能的方法。機器學習最基本的做法，是使用算法來解析數據、從中學習，然后對真實世界中的事件做出決策和預測。與傳統的為解決特定任務而編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。機器學習傳統的算法包括決策樹、聚類、貝葉斯分類等。從學習方法上來分可以分為監督學習、無監督學習、半監督學習、集成學習、深度學習和強化學習。

　　深度學習是一種實現機器學習的技術。最初的深度學習是利用深度神經網絡來解決特征表達的一種學習過程(深度神經網絡可大致理解為包含多個隱含層的神經網絡結構)。深度學習本來并不是一種獨立的學習方法，其本身也會用到有監督和無監督的學習方法來訓練深度神經網絡。但由于近幾年該領域發展迅猛，一些特有的學習手段相繼被提出(如殘差網絡)，因此越來越多的人將其單獨看作一種學習的方法。

　　綜上，機器學習是一種實現人工智能的方法，深度學習是一種實現機器學習的技術。并且可以看出，目前世界上機器人產商所說的人工智能主要集中于弱人工智能這一領域，通過加裝視覺傳感器、力覺傳感器、激光雷達等多種類型的傳感收集周圍信息，通過支持主流深度學習框架，利用智能算法庫，提高機器人在完成交互、感知、識別、分類、決策等任務的表現。目前雖然距離實現強人工智能還有比較大的差距，但通過軟硬件技術的不斷進步，以及基礎研究的積累，也許我們在不遠的將來可以實現強人工智能。