一、机器学习3大算法

　　1.决策树算法

　　先将样本分成不同的子集，再进行分割递推，直至每个子集得到同类型的样本，从根节点开始测试，到子树再到叶子节点，即可得出预测类别。此方法的特点是结构简单、处理数据效率较高。

　　2.朴素贝叶斯算法

　　朴素贝叶斯算法是一种分类算法。它不是单一算法，而是一系列算法，它们都有一个共同的原则，即被分类的每个特征都与任何其他特征的值无关。朴素贝叶斯分类器认为这些“特征”中的每一个都独立地贡献概率，而不管特征之间的任何相关性。然而，特征并不总是独立的，这通常被视为朴素贝叶斯算法的缺点。简而言之，朴素贝叶斯算法允许我们使用概率给出一组特征来预测一个类。与其他常见的分类方法相比，朴素贝叶斯算法需要的训练很少。在进行预测之前必须完成的唯一工作是找到特征的个体概率分布的参数，这通常可以快速且确定地完成。这意味着即使对于高维数据点或大量数据点，朴素贝叶斯分类器也可以表现良好。

　　3.支持向量机算法

　　基本思想可概括如下：首先，要利用一种变换将空间高维化，当然这种变换是非线性的，然后，在新的复杂空间取最优线性分类表面。由此种方式获得的分类函数在形式上类似于神经网络算法。支持向量机是统计学习领域中一个代表性算法，但它与传统方式的思维方法很不同，输入空间、提高维度从而将问题简短化，使问题归结为线性可分的经典解问题。支持向量机应用于垃圾邮件识别，人脸识别等多种分类问题。

　　二、AI、机器学习、深度学习有何联系

　　机器学习是一种实现人工智能的方法。机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务而编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。机器学习传统的算法包括决策树、聚类、贝叶斯分类等。从学习方法上来分可以分为监督学习、无监督学习、半监督学习、集成学习、深度学习和强化学习。

　　深度学习是一种实现机器学习的技术。最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程(深度神经网络可大致理解为包含多个隐含层的神经网络结构)。深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该领域发展迅猛，一些特有的学习手段相继被提出(如残差网络)，因此越来越多的人将其单独看作一种学习的方法。

　　综上，机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。并且可以看出，目前世界上机器人产商所说的人工智能主要集中于弱人工智能这一领域，通过加装视觉传感器、力觉传感器、激光雷达等多种类型的传感收集周围信息，通过支持主流深度学习框架，利用智能算法库，提高机器人在完成交互、感知、识别、分类、决策等任务的表现。目前虽然距离实现强人工智能还有比较大的差距，但通过软硬件技术的不断进步，以及基础研究的积累，也许我们在不远的将来可以实现强人工智能。