一些最常见的机器学习例子，比如Netflix的算法可以根据你以前看过的电影来进行电影推荐，而Amazon的算法则可以根据你以前买过的书来推荐书籍。

机器学习算法可以分为三大类：
1.监督学习可用于一个特定的数据集（训练集）具有某一属性（标签），但是其他数据没有标签或者需要预测标签的情况。
2.无监督学习可用于给定的没有标签的数据集（数据不是预分配好的），目的就是要找出数据间的潜在关系。
3.强化学习位于这两者之间，每次预测都有一定形式的反馈，但是没有精确的标签或者错误信息。

监督学习
1.决策树（Decision Trees）
从业务决策的角度来看，决策树是人们必须了解的最少的是/否问题，这样才能评估大多数时候做出正确决策的概率。
2.朴素贝叶斯分类(Naive Bayesian classification)
应用：判断垃圾邮件；对新闻的类别进行分类，比如科技、政治、运动；判断文本表达的感情是积极的还是消极的；人脸识别。
3.最小二乘法（Ordinary Least Squares Regression）
可以将线性回归看做通过一组点来拟合一条直线。实现这个有很多种方法，“最小二乘法”就像这样：你可以画一条直线，然后对于每一个数据点，计算每个点到直线的垂直距离，然后把它们加起来，那么最后得到的拟合直线就是距离和尽可能小的直线。
4.逻辑回归(Logistic Regression)
应用：信用评分；计算营销活动的成功率；预测某个产品的收入；特定的某一天是否会发生地震。
5.支持向量机（Support Vector Machine，SVM）
给定N维坐标下两种类型的点，SVM生成（N-1）维的超平面来将这些点分成两组。假设你在平面上有两种类型的可以线性分离的点，SVM将找到一条直线，将这些点分成两种类型，并且这条直线尽可能远离所有这些点。
6.集成方法（Ensemble methods）
它通过构建一组分类器，然后通过它们的预测结果进行加权投票来对新的数据点进行分类。

无监督学习
7.聚类算法（Clustering Algorithms）
聚类是将一系列对象分组的任务，目标是使相同组（集群）中的对象之间比其他组的对象更相似。
8.主成分分析（Principal Component Analysis，PCA）
PCA的一些应用包括压缩、简化数据便于学习、可视化等。
9.奇异值分解（Singular Value Decomposition，SVD）
10.独立成分分析（Independent Component Analysis，ICA）
ICA对观测到的多变量数据定义了一个生成模型，这通常是作为样本的一个大的数据库。在模型中，假设数据变量由一些未知的潜在变量线性混合，混合方式也是未知的。潜在变量被假定为非高斯分布并且相互独立，它们被称为观测数据的独立分量。