“机器智能是人类永远需要的一项发明。”— Nick Bostrom.
如果您可以回顾几年前的AI并将其与现在的AI进行比较，您会惊讶地发现AI的发展速度随着时间的增长呈指数级增长。
它已扩展到各种领域，例如ML，Expert Systems，NLP等数十个领域。
尽管AI的思路是构建可以自行思考和执行的更智能的系统，但仍然需要对其进行训练。
AI的ML领域是为实现非常精确的目标而创建的，它引入了多种算法，从而可以更顺畅地进行数据处理和决策。
什么是机器学习算法？
机器学习算法是任何模型背后的大脑，可让机器学习并使其更智能。
这些算法的工作方式是，为它们提供第一批数据，并且随着时间的流逝和算法的准确性的提高，额外的数据也被引入到算法中。
定期将算法应用于新数据和新经验的过程可提高机器学习的整体效率。
机器学习算法对于与分类，预测建模和数据分析相关的各种任务至关重要。
“机器学习方面的突破将价值十个微软。”-Bill Gates
机器学习算法的类型
在本节中，我们将重点介绍现有的各种ML算法。ML算法的三个主要范例是：
监督学习
顾名思义，监督算法通过定义一组输入数据和预期结果来工作。通过在训练数据上迭代执行功能并让用户输入控制参数来改进模型。如果发现其映射的预测正确，则认为该算法是成功的。
无监督学习
在监督算法在用户标记的数据上进行输出预测时，将这些训练结果在没有用户干预的情况下来训练未标记数据。
这个算法可以对数据进行分类和分组，以识别一些隐藏或未发现的类别，通常用作监督学习的初步步骤。
无监督学习
强化学习
强化学习算法旨在在探索和开发之间找到完美的平衡，而无需标记数据或用户干预。
这些算法通过选择一个动作并观察结果来工作，在此基础上，它了解结果的准确程度。反复重复此过程，直到算法选择正确的策略为止。
流行的机器学习算法
在熟悉了几种类型的ML算法之后，我们继续演示一些流行的算法。
1.线性回归
线性回归是一种监督型ML算法，可帮助找到点集合的近似线性拟合。
线性回归的核心是识别两个变量之间关系的线性方法，其中两个值之一是从属值，另一个是独立的。
其背后的原理是要理解一个变量的变化如何影响另一个变量，从而导致正或负的相关关系。
线性回归以y = a + bx的形式表示为一条线
该线称为回归线，由线性方程Y = a * X + b表示。
在此等式中：
- Y —因变量
- a —坡度
- X-自变量
- b-截距
该算法适用于预测输出是连续的并且具有恒定斜率的情况，例如：
- 估算销售额
- 评估风险
- 天气数据分析
- 预测分析
- 客户调查结果分析
- 优化产品价格
