人工智能之机器学习算法体系汇总
作者:王小雷 2017-08-02 13:06:47
人工智能
机器学习
算法 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与机器学习,以及结尾的一点感想。
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与机器学习,以及结尾的一点感想。
Github开源机器学习系列文章及算法源码
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
- 人工神经网络 Artificial neural network
- 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
- 贝叶斯 Bayesian
- 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)
- 决策树 Decision Tree
- 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
- 线性分类 Linear classifier
- 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
- 无监督学习 Unsupervised learning
- 人工神经网络 Artificial neural network
- 对抗生成网络
- 前馈神经网络 Feedforward neurral network
- 极端学习机 Extreme learning machine
- 逻辑学习机 Logic learning machine
- 自组织映射 Self-organizing map
- 关联规则学习 Association rule learning
- 先验算法 Apriori algorithm
- Eclat算法 Eclat algorithm
- FP-growth算法 FP-growth algorithm
- 分层聚类 Hierarchical clustering
- 单连锁聚类 Single-linkage clustering
- 概念聚类 Conceptual clustering
- 聚类分析 Cluster analysis
- 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
- 异常检测 Anomaly detection
- k-最近邻算法(K-NN) k-nearest neighbors classification(K-NN)
- 局部异常因子 Local outlier factor
- 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
- 集成学习算法
- 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)
- 降维
- 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
学习应当严谨,有不当场之处欢迎斧正。
强力驱动 Wikipedia CSDN
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
[数据来自Goolge trends]
2.2.Python才是王道
[数据来自Google trends]
2.3.深度学习趋势大热
[数据来自Google trends]
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”,目前有突破性的成就,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。