1、这个问题问得非常好 传统编程解决问题的思路就是，人来把这个规律转换成代码，让计算机执行 而机器学习的思路是，先造一个特定解决问题的模型，然后通过学习数据来优化模型中的参数，达到更好地解决问题 所以区别就是一个是人来学习，总结出规律。
2、而由方法论分， 又可以分成有监督学习， 无监督学习， 和强化学习。在八月份的巡洋舰科技的《机器学习vs复杂系统特训课》中，我着重讲了几种机器学习的基本方法： 贝叶斯决策的基本思想：你要让机器做决策， 一个基本的思路是从统计之前数据挖掘已有的模式（pattern）入手， 来掌握新的数据中蕴含的信息。
3、机器学习基础算法python代码实现可参考：machine_learning_algorithms。简介 PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。
4、蒙特卡洛方法：简单解析与广泛应用 蒙特卡洛方法，这个名字源自著名的摩纳哥赌博之城，其实质是一种强大的数学工具，它基于大数定律，通过随机模拟揭示复杂问题的解决方案。最初在曼哈顿原子弹计划中崭露头角，如今已广泛渗透到数据分析、机器学习的各个环节，成为解决问题的得力助手。
5、我个人的思路为：将全部单一文化中的名词及含义分层分类。例如，将汉语文化的名词及含义分层分类。再次分层分类另外一至两种文化。例如英文。将两种文化做对比。找出共同的基本名义。例如，颜色形状与声音，是不同人种及文化之间共同处。搞清人类整体的含义层级结构之间的关系及原理。
