什麼是機器學習？

機器學習通過從資料裡擷取規則或模式來把資料轉換成資訊。主要的方法有歸納學習法和分析學習法。

資料首先被預先處理，形成特徵，然後根據特徵建立某種模型。機器學習演算法分析收集到的資料，分配權重、閾值和其他參數達到學習目的。

如果只想把資料分成不同的類，那麼“聚類”演算法就夠了；如果需要預測，則需要一個“分類”演算法。

OpenCV庫裡麵包含的是基於機率統計的機器學習方法，貝葉斯網路、馬爾科夫隨機場、圖模型等較新的演算法還在成長過程中，所以OpenCV還沒有收錄。

機器學習的演算法有很多很多：

1、Mahalanobis

2、K-means  非監督的聚類方法

3、樸素貝葉斯分類器 特徵是高斯分布&&統計上相互獨立    條件比較苛刻

4、決策數  判別分類器，根據閾值分類資料，速度快。ID3，C4.5

5、Boosting  多個判別子分類器的組合

6、隨機森林 由多個決策樹組成

7、臉部偵測/Haar分類器   使用Boosting演算法

8、期望最大化EM  用於聚類的非監督產生演算法 

9、K-近鄰  最簡單的分類器

10、神經網路（多層感知器）  訓練分類器很慢，但是識別很快

11、支援向量機 SVM 可以分類，也可以迴歸。通過分類超平面實現在高維空間裡的最優分類

12、遺傳演算法  借鑒生物遺傳機制 ，隨機化非線性計算演算法

總之呢，個人覺得，機器學習、資料採礦、模式識別、專家系統等方向和領域目前還是一種比較混亂的局面。學術界和商業界可能是不同的，關於演算法的理論研究和使用這些方法產生商品是分別關注的。按照不同的領域、不同的方法可以劃分出眾多的分支。但是有一點是肯定的，這些在上世紀80年代提出來的公式和證明，如今正在變成一行行的代碼，在一些貓（tomcat）、IIS等伺服器的支援下，爬上了網路，到處尋覓對主人有用的資訊，然後運送到網路中，最終產生產品，或者半產品。看看你電腦上的那根網線，它那麼小，但是很難想象它從你的電腦上拿走了什麼，又給你送來了什麼。有些遠了，繼續說資料這些事。

目前我接觸過的演算法有：（太多了，一時間真不好說出來）    神經網路（感知器、BP、RBF等很多的演算法），遺傳演算法，支援向量機，層次分析法，各種迴歸，灰色系統（國產的方法，用於不確定知識的預測），粗糙集，貝葉斯網路，時間序列分析（也有很多）。

學習和研究紙面的演算法公式只是第一步，不可以忽略的基礎，如何使用這些方法，在浩瀚的互連網上找到自己需要的、滿足客戶需要的資料和資訊，從而讓需要的人能夠更加方便地得到，是今後的重頭戲了。貌似很多的企業已經進軍資料倉儲這一塊，並嘗到了巨大的甜頭，也有企業養著一隊預備軍，專註研發，隨時準備奔赴前線，佔領市場。無線網路市場的競爭已經到了激烈的局面，普適計算的時代也快到了吧。它依賴於硬體產品的可穿戴，和軟體產品的內嵌、快速響應。總而言之，越來越人性化，誰都不願意抱著膝上型電腦蹲廁所，是吧？