人工智能之机器学习算法体系汇总

参加完2017CCAI,听完各位专家的演讲后受益匪浅。立志写“人工智能之机器学习”系列,此为开篇,主要梳理了机器学习方法体系,人工智能相关趋势,Python与机器学习,以及结尾的一点感恩。

Github开源机器学习系列文章及算法源码 https://github.com/wangxiaoleiAI/machine-learning?spm=5176.100239.0.0.wNZubX

1.人工智能之机器学习体系汇总

【直接上干货】此处梳理出面向人工智能的机器学习方法体系,主要体现机器学习方法和逻辑关系,理清机器学习脉络,后续文章会针对机器学习系列讲解算法原理和实战。抱着一颗严谨学习之心,有不当之处欢迎斧正。

  • 监督学习 Supervised learning
    • Fisher的线性判别 Fisher's linear discriminant
    • 线性回归 Linear regression
    • Logistic回归 Logistic regression
    • 多项Logistic回归 Multinomial logistic regression
    • 朴素贝叶斯分类器 Naive Bayes classifier
    • 感知 Perceptron
    • 支持向量机 Support vector machine
    • 分类和回归树(CART) Classification and regression tree (CART)
    • 迭代Dichotomiser 3(ID3) Iterative Dichotomiser 3(ID3)
    • C4.5算法 C4.5 algorithm
    • C5.0算法 C5.0 algorithm
    • 卡方自动交互检测(CHAID) Chi-squared Automatic Interaction Detection(CHAID)
    • 决策残端 Decision stump
    • ID3算法 ID3 algorithm
    • 随机森林 Random forest
    • SLIQ
    • 朴素贝叶斯 Naive Bayes
    • 高斯贝叶斯 Gaussian Naive Bayes
    • 多项朴素贝叶斯 Multinomial Naive Bayes
    • 平均一依赖性评估(AODE) Averaged One-Dependence Estimators(AODE)
    • 贝叶斯信念网络(BNN) Bayesian Belief Network(BBN)
    • 贝叶斯网络(BN) Bayesian Network(BN)
    • 自动编码器 Autoencoder
    • 反向传播 Backpropagation
    • 玻尔兹曼机 Boltzmann machine
    • 卷积神经网络 Convolutional neural network
    • Hopfield网络 Hopfield network
    • 多层感知器 Multilayer perceptron
    • 径向基函数网络(RBFN) Radial basis function network(RBFN)
    • 受限玻尔兹曼机 Restricted Boltzmann machine
    • 回归神经网络(RNN) Recurrent neural network(RNN)
    • 自组织映射(SOM) Self-organizing map(SOM)
    • 尖峰神经网络 Spiking neural network
    • 人工神经网络 Artificial neural network
    • 贝叶斯 Bayesian
    • 决策树 Decision Tree
    • 线性分类 Linear classifier
  • 无监督学习 Unsupervised learning
    • k-最近邻算法(K-NN) k-nearest neighbors classification(K-NN)
    • 局部异常因子 Local outlier factor
    • BIRCH
    • DBSCAN
    • 期望最大化(EM) Expectation-maximization(EM)
    • 模糊聚类 Fuzzy clustering
    • K-means算法 K-means algorithm
    • k-均值聚类 K-means clustering
    • k-位数 K-medians
    • 平均移 Mean-shift
    • OPTICS算法 OPTICS algorithm
    • 单连锁聚类 Single-linkage clustering
    • 概念聚类 Conceptual clustering
    • 先验算法 Apriori algorithm
    • Eclat算法 Eclat algorithm
    • FP-growth算法 FP-growth algorithm
    • 对抗生成网络
    • 前馈神经网络 Feedforward neurral network
    • 逻辑学习机 Logic learning machine
    • 自组织映射 Self-organizing map
    • 极端学习机 Extreme learning machine
    • 人工神经网络 Artificial neural network
    • 关联规则学习 Association rule learning
    • 分层聚类 Hierarchical clustering
    • 聚类分析 Cluster analysis
    • 异常检测 Anomaly detection
  • 半监督学习 Semi-supervised learning
    • 生成模型 Generative models
    • 低密度分离 Low-density separation
    • 基于图形的方法 Graph-based methods
    • 联合训练 Co-training
  • 强化学习 Reinforcement learning
    • 时间差分学习 Temporal difference learning
    • Q学习 Q-learning
    • 学习自动 Learning Automata
    • 状态-行动-回馈-状态-行动(SARSA) State-Action-Reward-State-Action(SARSA)
  • 深度学习 Deep learning
    • 深度信念网络 Deep belief machines
    • 深度卷积神经网络 Deep Convolutional neural networks
    • 深度递归神经网络 Deep Recurrent neural networks
    • 分层时间记忆 Hierarchical temporal memory
    • 深度玻尔兹曼机(DBM) Deep Boltzmann Machine(DBM)
    • 堆叠自动编码器 Stacked Boltzmann Machine
    • 生成式对抗网络 Generative adversarial networks
  • 迁移学习 Transfer learning
    • 传递式迁移学习 Transitive Transfer Learning
  • 其他
    • 主成分分析(PCA) Principal component analysis(PCA)
    • 主成分回归(PCR) Principal component regression(PCR)
    • 因子分析 Factor analysis
    • Bootstrap aggregating (Bagging)
    • AdaBoost
    • 梯度提升机(GBM) Gradient boosting machine(GBM)
    • 梯度提升决策树(GBRT) Gradient boosted decision tree(GBRT)
    • 集成学习算法
    • 降维

2.人工智能相关趋势分析

2.1.人工智能再次登上历史舞台

人工智能与大数据对比——当今人工智能高于大数据

2.2.Python才是王道

2.3.深度学习趋势大热

2.4.中国更爱深度学习

3.结语

关于人工智能的一点感想,写在最后

AI systems can’t model everything... AI needs to be robust to “unknown unknowns” [Thomas G.Dietterich ,2017CCAI]

中国自古有之

“知之为知之,不知为不知,是知也”【出自《论语》】

人工智能已然是历史的第三波浪潮,堪称“工业4.0”,有突破性的成就,但也有未解之谜。真正创造一个有认知力的“生命”——还有很大的难度。希望此次浪潮会持续下去,创造出其真正的价值,而非商业泡沫。

大多数的我们发表不了顶级学术论文,开创不了先河。不要紧,沉下心,努力去实践。

人工智能路漫漫,却让我们的生活充满了机遇与遐想。

原文发布于微信公众号 - 大数据挖掘DT数据分析(datadw)

原文发表时间:2017-08-09

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器学习算法与Python学习

机器学习正在成为程序员的必备能力

13440
来自专栏个人分享

最大熵的Java实现

这是一个最大熵的简明Java实现,提供训练与预测接口。训练采用GIS训练算法,附带示例训练集。本文旨在介绍最大熵的原理、分类和实现,不涉及公式推导或其他训练算法...

20830
来自专栏专知

【NIPS2017前沿】半监督学习需要Bad GAN,清华特奖学霸与苹果AI总监提出(附Ruslan教授深度学习教程pdf下载)

【导读】CMU博士杨植麟与导师同时也是苹果首任AI总监Ruslan Salakhutdinov 在NIPS2017上合作提出新的GAN生成模型,大幅度提高对抗生...

74460
来自专栏新智元

【Bengio领衔】DeepMind、谷歌大脑核心研究员2017深度学习最新报告(PPT)

【新智元导读】 深度学习领军人物 Yoshua Bengio 主导的蒙特利尔大学深度学习暑期学校目前“深度学习”部分的报告已经全部结束。 本年度作报告的学术和行...

37250
来自专栏AI2ML人工智能to机器学习

概率估值的光滑(Smoothing)

一般通过频率(Frequency / Counting)来估值的过程中,存在需要光滑(Smoothing)的问题, 这个问题在自然语言处理或者贝叶斯算法中尤为突...

44720
来自专栏新智元

【虫二】的人工智能

艺术创作一直是人类精神活动的最高级形式,自古以来,人们认为只有人类的智慧才能真正领悟艺术作品的深远意境和奥妙神韵,玄而又玄的艺术风格更是只可意会,不可言传。近些...

399110
来自专栏yw的数据分析

R语言各种假设检验实例整理(常用)

一、正态分布参数检验 例1. 某种原件的寿命X(以小时计)服从正态分布N(μ, σ)其中μ, σ2均未知。现测得16只元件的寿命如下:           ...

1K40
来自专栏钱塘大数据

聚类分析—大数据时代数据挖掘的关键突破口

导读:人类文明已迈入大数据时代,得“数据”者得天下,而数据处理技术是必不可少的,那么说到大数据分析中的应用,最常用的经典算法之一就是聚类法,这是数据挖掘采用的起...

42480
来自专栏数说工作室

这是一份开光的课程 |《神经网络》中文字幕版(1.3 & 1.4)

《Neutral Network for Machine Learning》(机器学习中的神经网络)系列课程,是深度学习大神 Geoffrey Hinton 毕...

30070
来自专栏王小雷

第一章人工智能之机器学习算法体系汇总

参加完2017CCAI,听完各位专家的演讲后受益匪浅。立志写“人工智能之机器学习”系列,此为开篇,主要梳理了机器学习算法体系,人工智能相关趋势,Python与机...

23290

扫码关注云+社区

领取腾讯云代金券