机器学习算法已经被广泛应用于自动驾驶各种解决方案，电控单元中的传感器数据处理大大提高了机器学习的利用率，也有一些潜在的应用，比如利用不同外部和内部的传感器的数据融合(如激光雷达、雷达、摄像头或物联网)，评估驾驶员状况或为驾驶场景分类等。在KDnuggets网站发表的一篇文章中，作者Savaram Ravindra将自动驾驶中机器学习算法主要分为四类，即决策矩阵算法、聚类算法、模式识别算法和回归算法。我们跟他一起看看，这些算法都是怎样应用的。

算法概览
　　我们先设想这样一个自动驾驶场景——汽车的信息娱乐系统接收传感器数据融合系统的信息，如果系统发现司机身体有恙，会指导无人车开往附近的医院。 这项应用以机器学习为基础，能识别司机的语音、行为，进行语言翻译等。
　　所有这些算法可以分为两类：监督学习和无监督学习，二者的区别在它们学习的方法。
　　监督学习算法利用训练数据集学习，并会坚持学到达到所要求的置信度（误差的最小概率）。监督学习算法可分为回归、分类和异常检测或维度缩减问题。 无监督学习算法会在可用数据中获取价值。这意味着算法能找到数据的内部联系、找到模式，或者根据数据间的相似程度将数据集划分出子集。
　　无监督算法可以被粗略分类为关联规则学习和聚类。
　　强化学习算法是另一类机器学习算法，这种学习方法介于监督学习和无监督学习之间。监督学习会给每个训练样例目标标签，无监督学习从来不会设立标签——而强化学习就是它们的平衡点，它有时间延迟的稀疏标签——也就是未来的奖励。每个agent会根据环境奖励学习自身行为。了解算法的优点和局限性，并开发高效的学习算法是强化学习的目标。