隨著機器學習的進一步火熱，越來越多的算法已經可以用在許多任務的執行上，并且表現出色。

但是動手之前到底哪個算法可以解決我們特定的實際問題并且運行效果良好，這個答案很多新手是不知道的。如果你處理問題時間可以很長，你可以逐個調研并且嘗試它們，反之則要在最短的時間內解決技術調研任務。
?

Michael Beyeler的一篇文章告訴我們整個技術選型過程，一步接著一步，依靠已知的技術，從模型選擇到超參數調整。

在Michael的文章里，他將技術選型分為6步，從第0步到第5步，事實上只有5步，第0步屬于技術選型預積累步驟。

第0步：了解基本知識

在我們深入之前，我們要明確我們了解了基礎知識。具體來說，我們應該知道有三個主要的機器學習分類：監督學習（supervised learning）、無監督學習（unsupervised learning），以及強化學習（reinforcement learning）。

監督學習：每個數據點被標記或者與一個類別或者感興趣值相關聯。分類標簽的一個例子是將圖像指定為“貓”或者“狗”。價值標簽的一個例子是銷售價格與二手車相關聯。監督學習的目標是研究許多這樣的標記示例，進而能夠堆未來的數據點進行預測，例如，確定新的照片與正確的動物（分類（classification））或者指定其他二手車的準確銷售價格（回歸（regression））。

無監督學習：數據點沒有標簽對應。相反，一個無監督學習算法的目標是以一些方式組織數據或者表述它的結構。這意味著將其分組到集群內部，或者尋找不同的方式查看復雜數據，使其看起來更簡單。

強化學習：對應于每一個數據點，算法需要去選擇一個動作。這是一種常見的機器人方法，在一個時間點的傳感器讀數集合是一個數據點，算法必須選擇機器人的下一個動作。這也是很普通的物聯網應用模式，學習算法接收一個回報信號后不久，反饋這個決定到底好不好。基于此，算法修改其策略為了達到更高的回報。

第1步：對問題進行分類

下一步，我們要對手頭上的問題進行分類。這是一個兩步步驟：

通過輸入分類：如果我們有標簽數據，這是一個監督學習問題。如果我們有無標簽數據并且想要去發現結構，這是一個無監督學習問題。如果我們想要通過與環境交互優化目標函數，這是一個強化學習問題。

通過輸出分類：如果一個模型的輸出是一個數字，這是一個回歸問題。如果模型的輸出是一個類（或者分類），這是一個分類問題。如果模型的輸出是輸入組的集合，這是一個分類問題。

就是那么簡單。總而言之，我們可以通過問自己算法需要解決什么問題，進而發現算法的正確分類。

上面這張圖包含了一些我們還沒有討論的技術術語：

分類（Classification）：當數據被用來預測一個分類，監督學習也被稱為分類。這是一個例子當指定一張相作為“貓”或“狗”的圖片。當只有兩種選擇時，稱為二類（two-class）或二項式分類（binomial
classification）。當有更多類別的時候，當我們預測下一個諾貝爾物理學獎得住，這個問題被稱為多項式分類（multi-class
classification）。

回歸（Regression）：當一個值被預測時，與股票價格一樣，監督學習也被稱為回歸。

聚類（Clustering）：非監督學習最常用的方法是聚類分析或者聚類。聚類是一組對象組的任務，在這樣的一種方式下，在同一組中的對象（稱為集群）是更加相似的（在某一種意義上），相比其他組（集群）里的對象。

異常檢測（Anomaly
detection）：需要在目標里找到不尋常的數據點。在欺詐檢測里，例如，任何非常不尋常的信用卡消費模式都是可以的。可能的變化很多，而訓練示例很少，這看起來不是一種可行方式了解欺詐活動。異常檢測需要的方法是簡單地了解什么是正常的活動（使用非欺詐交易歷史記錄），并且確定明顯不同的內容。

第2步：找到可用的算法

現在我們有分類問題，我們可以使用工具去調研和驗證算法是可行的和可實踐的。

Microsoft Azure已經創建了一個方便的算法表格，這個表格顯示算法可以被用于哪些問題分類。雖然這個表格是針對Azure軟件，它一般適用于：

一些值得關注的算法是：

分類（Classification）：