现如今有许多常用的不同机器学习技术。不同的技术最适合不同的问题。下面总结了一些领先的技术。
| 方法 | 描述 | 应用 |
| 逻辑回归 | 一种使用分布函数估计概率，将数据集中的元素分为不同类别的方法。 | 信用评分 衡量营销活动是否成功 |
| 分类树 | 用于对输入数据进行分类的二元分类问题的层次结构。有时并行使用一组树来降低单个树的过度专业化风险。 | 欺诈检测 医学诊断 客户行为预测 |
| 深度学习 | 多层神经网络，一种模拟生物大脑功能的网络。 | 计算机视觉 自然语言处理 |
| 支持向量机 | 此方法试图找到一个数学函数，借此将一组数据点正确地分为两类。 | 显示广告 基于图像的性别检测 大规模图像分类 |
| 朴素贝叶斯 | 一种基于对一组变量应用贝叶斯定理的分类模型。之所以是“朴素贝叶斯”，因为它假定变量是完全独立的。 | 垃圾电子邮件识别 新闻文章分类 人脸识别 |
Automation Consultants 了解上述所有技术，并将采用最适合你的目标和你的数据的方法。
虽然方法很重要，但可用数据的数量和质量可能更重要。分析和清理数据是 ML 项目取得成功的关键部分。
