好意思国的佩德罗·多明戈斯写了一册书《The Master Algorithm》，中语名为《终极算法》。多明戈斯是华盛顿大学的终生老师，亦然一位在机器学习范围具有20 年商酌资格的资深科学家淫香淫色，一直辛勤于于交融各式机器学习算法的上风，建议一种不错惩处扫数运用问题的通用算法，即终极算法。这本书投入了16年比尔盖茨的推选书单。

他提到平庸咱们的学问来自三个方面：

这三种情势，每一种齐比前一种包含的信息量大，而况学习速率更快。然而如今出现了第四种学习情势：狡计机。狡计机能匡助咱们发现一些学问。Yann LeCun，致使说：“将来大部分学问齐会被机器提真金不怕火出来，也会存储在机器里”。可见将来机器学习会越来越伏击。

书中先容了东谈主工智能中典型的几种“门派”，而况每个门派有我方的武功心法：主盘算推算法。

标志派的灵感开始于逻辑学、形而上学。一定进程上来说，是最“狡计机科学”的，他们的主义是填补已有学问中的空白部分。他们的职责跟科学家的职责模式访佛：作念宽敞不雅察，然后建议假定来阐扬他们，通事后续的论证来看是合理的随意不对理的。

自1955年 东谈主工智能(Artificial Intelligence) 被负责建议以来，标志派就存在了，如上所述，齐是基于规定的系统，涓滴莫得“学习”的智商。

这个门派的主盘算推算法是反向实践(Inverse Reduction)：通过仍是采集的数据来创建一些规定，然后用规定来猜度将来要发生的事情。干系词这个表面有个特殊昭彰的弱势，你知谈在那边吗？

结合派是在上个世纪80年代娇傲，灵感开始于模拟东谈主脑：它通过模拟东谈主脑的职责情势来让机器赢得学问。东谈主脑会存储数据，通过每天抵制获取新的数据来积聚学习。这些悲伤的数据的权重各不调换淫香淫色，而况当再次被使用到时会被加强。

这种算法的问题是东谈主脑特殊复杂，思要完满模拟出东谈主脑算法还有特殊长的路要走，需要依赖于基础学科的打破。

纠合派的主盘算推算法是神经集聚，其中的分支深度学习(Deep Learning)如今在图片和视频范围发展特殊赶快，运用很平方。有许多框架不错守旧神经集聚分析，包括 Pytorch，TensorFlow、Caffe 和 百度 Paddle 等。这些框架的职责旨趣齐访佛：通过迭代分析宽敞样例数据来使用分层的情势发掘数据中的特色，把效用从一层传递到下一层作念下一步分析。每一层能从数据中闪现出更复杂、空洞的特色。

神经集聚的问题之一是需要宽敞标注好的数据来老师算法，有一些场景下这是不行能作念到的。其顶用到的反向传播时代，被诟病的是找到的是“好”的决策而不是“最好”决策，因为它找到的是局部而非全局最优解。

一定进程上说进化是一个比东谈主脑更大的学习算法，因为：

是以值得探究它到底是奈何职责的，然后在狡计机上结束它。

进化派但愿在狡计机范围模拟出进化经过：让当然罗致，适者生计，犹如达尔文不雅察到的那样。其经过是一次（一代）运转数以百万个不同的惩处决策/算法，其中效用最好的设施保留到下一代。下一代里通过把上一代算法结合到沿途来创建一个新的算法。这种每一代齐有变化的情势会让咱们一步步靠近惩处问题的理思算法。

进化派的主盘算推算法是基因编程 (Genetic Programming)。这种算法的污点是一个算法产生后，只可恭候下一代时材干产出一个更好的算法。

贝叶斯派开始于概率统计范围，思系统地减少概略情味。

其实东谈主类学习到的学问并不是一成不变的，它是概略情的在动态变化的。当咱们从数据中推理出一些东西，是无法十足详情即是这么的。是以学习的设施酿成通过使用概率来量化概略情味，当你看到了更多的凭证，那不同假定的概率就在随之调度，凭证越多的概率越高。其中设施之一即是大名鼎鼎的贝叶斯表面。

平正是不需要宽敞的数据集，而况商酌院也更容易和会和阐扬老师效用和机器决策经过，致使不错调度效用。一些使用贝叶斯时代的窥察在识别物体方面也有好的效用。

这个派系主要源于心思学，使用的是最通俗，最直不雅的情势：通过类比来推理。心思学中有宽敞凭证标明东谈主类即是这么作念的：当你濒临一个新问题，你会从已有的教学中找到与之访佛的情况，然后把惩处设施拿过来惩处现存问题。

主盘算推算法是内核机器 (Kernel Machines)，比如守旧向量机(Support Vector Machine)是其中算法之一，它是一种 Kernel 手段，能把原本非线性的分隔问题映射到线性平面。

其实除了上述五大门派淫香淫色，还有东谈主在 ycombinator 上回首了机器学习里的其他各大门派。如若对这本书感好奇景仰，不错在youtube上看作家16年在Google的演讲。