从算法的角度看，机器学习有很多种算法，例如回归算法、基于实例的算法、正则化算法、决策树算法、贝叶斯算法、聚合算法、关联规则学习算法和人工神经网络算法。很多算法可以应用于不同的具体问题；很多具体的问题也需要同时应用好几种不同的算法。由于篇幅有限，我们仅介绍其中（可能是公众心目中名气最大的）一种：人工神经网络。
人工神经网络：
既然人工智能要模拟人类的思考过程，一些人工智能科学家想，不如我们先看看人类是怎样思考的吧？
人类的大脑是一个复杂的神经网络。它的组成单元是神经元。每一个神经元看起来很简单，它们先接收上一个神经细胞的电信号刺激，再向下一个神经细胞发出电信号刺激。
别看神经元细胞很简单，但如果神经元的数量很多，它们彼此之间的连接恰到好处，变成神经网络，就可以从简单中演生出复杂的智能来。例如，人类的大脑中含有1千亿个神经元，平均每个神经元跟其他的神经元存在7000个突触连接。一个三岁小孩大脑中，大约会形成1千万亿个突触。随着年龄的增长，人类大脑的突触数量会逐渐减少。成年人的大脑中，大约会有1百万亿到5百万亿个突触。
虽然科学家还没有完全搞清楚人类大脑的神经网络的运作方式，但人工智能科学家想，不理解没关系，先在计算机中模拟一组虚拟的神经网络试试看，这就是人工神经网络。
在人工神经网络中，每一个小圆圈都是在模拟一个"神经元"。它能够接收从上一层神经元传来的输入信号（也就是一堆数字）；根据不同神经元在它眼中的重要性，分配不同的权重，然后将输入信号按照各自的权重加起来（一堆数字乘以权重的大小，再求和）；接着，它将加起来结果代入某个函数（通常是非线性函数），进行运算，得到最终结果；最后，它再将这个结果输出给神经网络中的下一层神经元。
人工神经网络中的神经元看起来很简单，只知道傻傻地将上一层神经元的输入数据进行简单的运算，然后再傻傻地输出。没想到这一套还真的很管用，运用一系列精巧的算法，再给它投喂大量的数据之后，人工神经网络居然能够像人脑的神经网络一样，从复杂的数据中发现一系列"特征"，产生"聪明的思考结果"。
那么人工神经网络是怎么学习的呢？所谓的学习，本质上是让人工神经网络尝试调节每一个神经元上的权重大小，使得整个人工神经网络在某一个任务的测试中的表现达到某个要求（例如，识别汽车的正确率达到90%以上）。
请回忆一下前面讲过的"梯度下降法"。人工神经网络尝试不同的权重大小，相当于在一个参数空间的地图上四处游走。每一种权重的组合对应的人工神经网络执行任务时的错误率，相当于这个地图上的每一点都有一个海拔高度。寻找一组权重，使得人工神经网络的表现最好，错误率最低，就相当于在地图上寻找海拔最低的地方。所以，人工神经网络的学习过程，常常要用到某种"梯度下降法"，这就是为什么如果将来你要学习人工智能，第一个要掌握的就是"梯度下降法"。
机器学习的分类：
从学习风格的角度看，机器学习有很很多种学习方法，我们简要地列举其中几种方法：监督学习、非监督学习、强化学习和迁移学习。
监督学习：
比方说，你想教计算机如何识别一张照片上的动物是不是猫。你先拿出几十万张动物的照片，凡是有猫的，你就告诉计算机有猫；凡是没有猫的，你就告诉计算机没有猫。也就是说，你预先给计算机要学习的数据进行了分类。这相当于你监督了计算机的学习过程。
经过一段监督学习的过程之后，如果你再给计算机看照片，它就能认出照片中有没有猫。
非监督学习：
比方说，你想教计算机区分猫和狗的照片。你拿出几十万张猫和狗的照片（没有其他动物）。你并不告诉计算机哪些是猫，哪些是狗。也就是说，你没有预先给计算机要学习的数据进行分类，所以你并没有监督计算机的学习过程。
经过一段监督学习的过程之后，计算机就能把你输入的照片按照相似性分成两个大类（也就是区分了猫和狗）。只不过计算机只是从数字照片的数学特征的角度进行了分类，而不是从动物学的角度进行了分类。
强化学习：
比方说，你想教计算机控制一只机械臂打乒乓球。一开始，计算机控制机械臂像傻瓜一样，拿着球拍做很多随机的动作，完全不得要领。
但是，一旦机械臂凑巧接到一个球，并把球击打到对手的球桌上，我们就让计算机得一分，这叫做奖励。一旦机械臂没有正确地接到球、或没有把球击打到正确的位置上，我们就给计算机扣一分，这叫做惩罚。经过大量的训练之后，机械臂渐渐地从奖励和惩罚中，学会了接球、击打球的基本动作。
迁移学习：
比方说，你让计算机学会了控制机械臂打乒乓球之后，又叫它学习打网球。这个时候，你不需要让计算机从零开始重新学，因为乒乓球和网球的规则是相似的。例如，这两种球都要把球击打到对方的球场/球桌上。所以，计算机可以将之前学到的动作迁移过来。这样一种学习，就叫做迁移学习。