一套機器學習演算法就像一位大師級的工匠一樣：每一項它的產出作品都不相同，而且可以為客戶的需求量身定做。然而不是要將石頭變成磚瓦，黃金變成珠寶，機器學習機是要將數據資料轉化為演算法。而且擁有越多的數據資料，便能歸納出越複雜的演算法。以下由三采文化，摘自《大演算：機器學習的終極演算法將如何改變我們的未來，創造新紀元的文明？》的部分內容。
我們如何能知道，人類已經真正找到大演算？當相同的學習器只有參數的改變，而且除了數據資料以外，只需要輸入最小量的學習範本，就可以和人類一樣，理解影音與文件內容，並能在生物學、社會學及其他科學領域，做出重大的新發現。顯然，在這種標準下，目前還沒有任何學習器已經被證明就是大演算，即使在不太可能的情況下，已有能解決某領域的演算法存在，仍不足以承擔機器學習統一理論的大局。
在探求大演算的過程中，我們不必辛苦從無到有。我們已經有幾十年的機器學習研究，可以從中借鑑完整全貌。機器學習領域目前存有許多互相競爭的思想學派，包括符號理論學派（Symbolists）、類神經網路學派（Connectionists）、演化論學派（Evolutionaries）、貝氏定理學派（Bayesians）和類比推理學派（Analogizers）。每個學派都有一套核心理念，以及一個它最關心的特定問題，也針對這個特定問題，基於其相關領域的科學概念，找到一個適合的解決方案，並且擁有一個主要的演算法，可以適度體現它的機器學習行為。
對於符號理論學派來說，所有的智慧可以被簡化成操縱符號，就像數學家求解方程式的過程，是透過用其他表達式來替換表達式的方法。符號理論學派明白，你不能從頭學起，你需要一些初步的知識，與數據資料相配合。符號理論學派們已經找到了如何將先前存在的知識納入學習，以及如何快速地將不同的知識進行結合，以解決新的問題。他們的主要演算法是逆向的演繹法（Inverse Deduction），透過這種演算法可以找出哪些知識是欠缺的，以便能做出邏輯的演繹推論，然後使其盡可能地被通則應用。
對於類神經網路學派來說，學習就是人類大腦所做的事情，所以我們需要做的，就是對大腦進行反向工程。大腦的學習是透過調整神經元之間的連結強度，而關鍵的問題是找出哪些神經元的連接，必須對哪些錯誤負責，並依此對應地改變它們。類神經網路學派的主要演算法是倒傳遞理論演算法（Back propagation），它會比較系統的輸出與期望的輸出，然後依次改變一層又一層的神經元連結，以便使得輸出結果可以更接近於它應該呈現的。
演化論學派則認為，所有學習之母就是物競天擇。如果物競天擇可以造就我們，那麼它就可以造就任何事情，而我們所需要做的，就是在電腦上模擬它。演化論學派所解決的關鍵性問題就是學習的結構，不只是調整參數而已，就像倒傳遞理論演算法所做的，可以創建一種能夠讓這些調整進行微調的大腦。演化論學派的主要演算法是一種遺傳程式規劃（genetic programming），就像大自然會交配與演化生物一樣；同樣地，遺傳程式規劃也會以相同的方式，繁衍與演化電腦程式系統。
貝氏定理學派最關注的課題就是不確定性。這門學派主張所有學到的知識都是不確定的，而且學習本身就是一種不確定的推理形式。那麼這個問題就變成如何處理雜訊、不完整，以及相互矛盾的資訊，而不會造成分崩離析。解決的辦法就是機率推理，而主要的演算法是貝氏定理與其衍生物。貝氏定理告訴我們如何把新證據轉化為信念，而機率推理演算法則盡可能有效地做到這一點。
對於類比推理學派而言，學習的關鍵是認識各種情況之間的相似之處，從而推斷其他情境的相似地方。如果兩位患者都有相似的症狀，也許他們患有相同的疾病，問題的關鍵是要判斷兩件事情之間是如何相似。類比推理學派的主要演算法就是支持向量機（Support Vector Machine，簡稱SVM），它可以找出哪些經驗是需要記住的，以及如何結合這些經驗，做出新的預測。
針對各個學派的核心問題，每個學派都有提出相對應的解決方案，這些解決方案都是相當卓越，且得來不易的進展。然而真正的大演算，是必須同時解決這五類問題，而不只是一個。我們的探索追求，將帶領我們跨越這五個學派的每一個領地。每個領地之間的邊境通道，是它們可能會遇到交涉與小衝突的地方，這將是這趟大演算探索旅程中最棘手的部分。你準備好了嗎？我們的學習旅程就從拜訪符號理論學派開始，這個學派可說是機器學習最古老的智慧根源。
《大演算》簡介
有一個終極演算法，可以解開宇宙所有的祕密，現在大家都在競爭，誰能最先解開它！華盛頓大學電腦工程系教授佩德羅．多明戈斯（Pedro Domingos）破解了一個在機器學習領域中長久以來的瓶頸，成功把機器學習、哲學與人工智慧結合起來，這個突破性研究還登上了《新科學人》（New Scientist）雜誌的封面故事。