一套机器学习算法就像一位大师级的工匠一样：每一项它的产出作品都不相同，而且可以为客户的需求量身定做。然而不是要将石头变成砖瓦，黄金变成珠宝，机器学习机是要将数据资料转化为算法。而且拥有越多的数据资料，便能归纳出越复杂的算法。以下由三采文化，摘自《大演算：机器学习的终极算法将如何改变我们的未来，创造新纪元的文明？》的部分内容。
我们如何能知道，人类已经真正找到大演算？当相同的学习器只有参数的改变，而且除了数据资料以外，只需要输入最小量的学习范本，就可以和人类一样，理解影音与文件内容，并能在生物学、社会学及其他科学领域，做出重大的新发现。显然，在这种标准下，目前还没有任何学习器已经被证明就是大演算，即使在不太可能的情况下，已有能解决某领域的算法存在，仍不足以承担机器学习统一理论的大局。
在探求大演算的过程中，我们不必辛苦从无到有。我们已经有几十年的机器学习研究，可以从中借鉴完整全貌。机器学习领域目前存有许多互相竞争的思想学派，包括符号理论学派（Symbolists）、类神经网络学派（Connectionists）、进化论学派（Evolutionaries）、贝氏定理学派（Bayesians）和类比推理学派（Analogizers）。每个学派都有一套核心理念，以及一个它最关心的特定问题，也针对这个特定问题，基于其相关领域的科学概念，找到一个适合的解决方案，并且拥有一个主要的算法，可以适度体现它的机器学习行为。
对于符号理论学派来说，所有的智慧可以被简化成操纵符号，就像数学家求解方程式的过程，是透过用其他表达式来替换表达式的方法。符号理论学派明白，你不能从头学起，你需要一些初步的知识，与数据资料相配合。符号理论学派们已经找到了如何将先前存在的知识纳入学习，以及如何快速地将不同的知识进行结合，以解决新的问题。他们的主要算法是逆向的演绎法（Inverse Deduction），透过这种算法可以找出哪些知识是欠缺的，以便能做出逻辑的演绎推论，然后使其尽可能地被通则应用。
对于类神经网络学派来说，学习就是人类大脑所做的事情，所以我们需要做的，就是对大脑进行反向工程。大脑的学习是透过调整神经元之间的连结强度，而关键的问题是找出哪些神经元的连接，必须对哪些错误负责，并依此对应地改变它们。类神经网络学派的主要算法是倒传递理论算法（Back propagation），它会比较系统的输出与期望的输出，然后依次改变一层又一层的神经元连结，以便使得输出结果可以更接近于它应该呈现的。
进化论学派则认为，所有学习之母就是物竞天择。如果物竞天择可以造就我们，那么它就可以造就任何事情，而我们所需要做的，就是在电脑上模拟它。进化论学派所解决的关键性问题就是学习的结构，不只是调整参数而已，就像倒传递理论算法所做的，可以创建一种能够让这些调整进行微调的大脑。进化论学派的主要算法是一种遗传程式规划（genetic programming），就像大自然会交配与演化生物一样；同样地，遗传程式规划也会以相同的方式，繁衍与演化计算机程序系统。
贝氏定理学派最关注的课题就是不确定性。这门学派主张所有学到的知识都是不确定的，而且学习本身就是一种不确定的推理形式。那么这个问题就变成如何处理噪声、不完整，以及相互矛盾的资讯，而不会造成分崩离析。解决的办法就是概率推理，而主要的算法是贝氏定理与其衍生物。贝氏定理告诉我们如何把新证据转化为信念，而概率推理算法则尽可能有效地做到这一点。
对于类比推理学派而言，学习的关键是认识各种情况之间的相似之处，从而推断其他情境的相似地方。如果两位患者都有相似的症状，也许他们患有相同的疾病，问题的关键是要判断两件事情之间是如何相似。类比推理学派的主要算法就是支持向量机（Support Vector Machine，简称SVM），它可以找出哪些经验是需要记住的，以及如何结合这些经验，做出新的预测。
针对各个学派的核心问题，每个学派都有提出相对应的解决方案，这些解决方案都是相当卓越，且得来不易的进展。然而真正的大演算，是必须同时解决这五类问题，而不只是一个。我们的探索追求，将带领我们跨越这五个学派的每一个领地。每个领地之间的边境通道，是它们可能会遇到交涉与小冲突的地方，这将是这趟大演算探索旅程中最棘手的部分。你准备好了吗？我们的学习旅程就从拜访符号理论学派开始，这个学派可说是机器学习最古老的智慧根源。
《大演算》简介
有一个终极算法，可以解开宇宙所有的秘密，现在大家都在竞争，谁能最先解开它！华盛顿大学电脑工程系教授佩德罗．多明戈斯（Pedro Domingos）破解了一个在机器学习领域中长久以来的瓶颈，成功把机器学习、哲学与人工智能结合起来，这个突破性研究还登上了《新科学人》（New Scientist）杂志的封面故事。
