人工智能之机器学习算法体系汇总

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。

[[198836]]

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。 

责任编辑:庞桂玉
来源: 36大数据
人工智能
机器学习
算法