你好,游客 登录
背景:
阅读新闻

人工智能之机器学习算法体系汇总

[日期:2017-08-11] 来源:简书  作者: [字体: ]

作者:王小雷,专注大数据,人工智能的多面手,对新兴的技术与知识充满了好奇与渴望!

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。

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。

 

1. 监督学习 Supervised learning

  ⑴人工神经网络 Artificial neural network

        ①自动编码器 Autoencoder

       ②反向传播 Backpropagation

       ③玻尔兹曼机 Boltzmann machine

       ④卷积神经网络 Convolutional neural network

       ⑤Hopfield网络 Hopfield network

       ⑥多层感知器 Multilayer perceptron

       ⑦径向基函数网络(RBFN) Radial basis function network(RBFN)

       ⑨受限玻尔兹曼机 Restricted Boltzmann machine

       ⑩回归神经网络(RNN) Recurrent neural network(RNN)

       ⑪自组织映射(SOM) Self-organizing map(SOM)

       ⑫尖峰神经网络 Spiking neural network

  ⑵贝叶斯 Bayesian

       ①朴素贝叶斯 Naive Bayes

       ②高斯贝叶斯 Gaussian Naive Bayes

       ③多项朴素贝叶斯 Multinomial Naive Bayes

       ④平均一依赖性评估(AODE) Averaged One-Dependence Estimators(AODE)

       ⑤贝叶斯信念网络(BNN) Bayesian Belief Network(BBN)

       ⑥贝叶斯网络(BN) Bayesian Network(BN)

  ⑶决策树 Decision Tree

       ①分类和回归树(CART) Classification and regression tree (CART)

       ②迭代Dichotomiser 3(ID3) Iterative Dichotomiser 3(ID3)

       ③C4.5算法 C4.5 algorithm

       ④C5.0算法 C5.0 algorithm

       ⑤卡方自动交互检测(CHAID) Chi-squared Automatic Interaction Detection(CHAID)

       ⑥决策残端 Decision stump

       ⑦ID3算法 ID3 algorithm

       ⑧随机森林 Random forest

       ⑨SLIQ

  ⑷线性分类 Linear classifier

       ①Fisher的线性判别 Fisher's linear discriminant

       ②线性回归 Linear regression

       ③Logistic回归 Logistic regression

       ④多项Logistic回归 Multinomial logistic regression

       ⑤朴素贝叶斯分类器 Naive Bayes classifier

       ⑥感知 Perceptron

       ⑦支持向量机 Support vector machine

2. 无监督学习 Unsupervised learning

  ⑴人工神经网络 Artificial neural network

       ①对抗生成网络

       ②前馈神经网络 Feedforward neurral network

       ③极端学习机 Extreme learning machine

       ④逻辑学习机 Logic learning machine

       ⑤自组织映射 Self-organizing map

  ⑵关联规则学习 Association rule learning

       ①先验算法 Apriori algorithm

       ②Eclat算法 Eclat algorithm

       ③FP-growth算法 FP-growth algorithm

  ⑶分层聚类 Hierarchical clustering

       ①单连锁聚类 Single-linkage clustering

       ②概念聚类 Conceptual clustering

  ⑷聚类分析 Cluster analysis

       ①BIRCH

       ②DBSCAN

       ③期望最大化(EM) Expectation-maximization(EM)

       ④模糊聚类 Fuzzy clustering

       ⑤K-means算法 K-means algorithm

       ⑥k-均值聚类 K-means clustering

       ⑦k-位数 K-medians

       ⑧平均移 Mean-shift

       ⑨OPTICS算法 OPTICS algorithm

  ⑸异常检测 Anomaly detection

       ①k-最近邻算法(K-NN) k-nearest neighbors classification(K-NN)

       ②局部异常因子 Local outlier factor

3. 半监督学习 Semi-supervised learning

  ⑴生成模型 Generative models

  ⑵低密度分离 Low-density separation

  ⑶基于图形的方法 Graph-based methods

  ⑷联合训练 Co-training

4. 强化学习 Reinforcement learning

  ⑴时间差分学习 Temporal difference learning

  ⑵Q学习 Q-learning

  ⑶学习自动 Learning Automata

  ⑷状态-行动-回馈-状态-行动(SARSA) State-Action-Reward-State-Action(SARSA)

5. 深度学习 Deep learning

  ⑴深度信念网络 Deep belief machines

  ⑵深度卷积神经网络 Deep Convolutional neural networks

  ⑶深度递归神经网络 Deep Recurrent neural networks

  ⑷分层时间记忆 Hierarchical temporal memory

  ⑸深度玻尔兹曼机(DBM) Deep Boltzmann Machine(DBM)

  ⑹堆叠自动编码器 Stacked Boltzmann Machine

  ⑺生成式对抗网络 Generative adversarial networks

6. 迁移学习 Transfer learning

  ⑴传递式迁移学习 Transitive Transfer Learning

7. 其他

  ⑴集成学习算法

       ①Bootstrap aggregating (Bagging)

       ②AdaBoost

       ③梯度提升机(GBM) Gradient boosting machine(GBM)

       ④梯度提升决策树(GBRT) Gradient boosted decision tree(GBRT)

  ⑵降维

       ①主成分分析(PCA) Principal component analysis(PCA)

       ②主成分回归(PCR) Principal component regression(PCR)

       ③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

 


[数据来源-Google trends]

       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。

立志每周【周日】更新一篇“人工智能之机器学习”系列。

       感谢CSDN的2017CCAI参会机遇与分享平台。

收藏 推荐 打印 | 录入: | 阅读:
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款