機器學習最基本的做法，是使用算法來解析數據、從中學習，然後對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。
舉個簡單的例子，當我們瀏覽網上商城時，經常會出現商品推薦的信息。這是商城根據妳往期的購物記錄和冗長的收藏清單，識別出這其中哪些是妳真正感興趣，並且願意購買的產品。這樣的決策模型，可以幫助商城為客戶提供建議並鼓勵產品消費。
傳統的機器學習算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。這篇文章將對常用算法做常識性的介紹，沒有代碼，也沒有復雜的理論推導，就是圖解壹下，知道這些算法是什麽，它們是怎麽應用的。
決策樹
根據壹些 feature 進行分類，每個節點提壹個問題，通過判斷，將數據分為兩類，再繼續提問。這些問題是根據已有數據學習出來的，再投入新數據的時候，就可以根據這棵樹上的問題，將數據劃分到合適的葉子上。