五分钟看懂机器学习？这些图太形象了！

机器学习火了很久了，大家对这个主题都很熟悉了，每个人都在谈论它，但少有人是真正了解它的。一些关于机器学习的文章晦涩难懂，或者云里雾里地介绍人工智能等高端科技的魔力以及未来的憧憬等。

如今通过清晰明了的图画和简洁的语言，使机器学习能够更容易地被理解。首先何为AI？AI 到底它涵盖哪些领域？其实根据判断方式不同，AI 范畴的划分也不一样。你可能会认为人工智能是个完整的知识领域，类似于生物学化学等学科，机器学习是人工智能的一部分，神经网络是机器学习的一种。

但是，难道深度学习就一定是神经网络吗？明显并不是的，因此更科学的划分可能是下图中的这种：
机器学习首先表示的是学习，即使用机器学习挖掘本身的方法，这类方法能自己学习数据特征，这里有一张完整的机器学习路线图供你参考。
按主流分类来看，机器学习主要分为四类：经典机器学习、集成方法、强化学习、神经网络和深度学习。
经典机器学习主要分为两类：监督型学习和非监督型学习。
监督学习指的是模型需要一个导师，即特征标注，这样的话机器就可以基于这些标注学习并进行进一步的分类。万事皆可分类，其中朴素贝叶斯算法得到了极其广泛的应用，曾被认为是最优雅、最实用的算法。
支持向量机是经典分类方法中最流行的一种，背后的思路也很简单，以下图为例，它试图在数据点之间画出两条距点最远的线。
回归也属于监督学习，基本上也是分类，但计算的是数字而不是类别，例如按里程计算的汽车耗油量，按时间计算交通流量，当所计算的事物是依赖于时间时，回归是非常合适的选择。
无监督学习直到90 年代才出现，由机器去选择最佳方式来分割未知特征。无监督学习之一聚类是一种没有预先定义类的分类。比如你不知道所有颜色时，把衣服按颜色分类一样。
无监督学习之二降维，人们在使用抽象的概念总是比使用零碎的特征更方便。举个例子，将所有长着长鼻子、大尾巴和三角形耳朵的狗合成一个抽象概念牧羊犬。假如我们要将这些具有特性的内容组成一个新的概念，以保持其潜在关联性，降维是个不错的选择。
无监督学习之三关联规则学习，包括分析购物车自主搭配，自动化营销策略等。现实生活中，每个大型销售商都有自己的解决方案，而当中技术水平最高的要数个性化推荐。
团结就是力量很好地表达了机器学习集成方法的基本思想。在集成方法中，训练多个弱模型，以期能组合成为一个强大的算法。一般而言集成方法主要可以分为三种：Boosting、Stacking、Bagging。
Bagging 通常是相互独立地并行学习弱学习器，并按照某种平均过程组合起来，如果所有弱学习器都是决策树，那么得到的 Bagging 就是随机森林。
Boosting 考虑的也是同质弱学习器，只不过它是分而治之，专注于部分数据，以一种高度自适应的方法顺序地学习弱学习器。大名鼎鼎的 XGBoost、LightGBM都采用的 Boosting 方法。