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

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。

人工智能之机器学习算法体系汇总

  • 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

人工智能之机器学习算法体系汇总

[数据来自Goolge trends]

2.2.Python才是王道

人工智能之机器学习算法体系汇总

[数据来自Google trends]

2.3.深度学习趋势大热

人工智能之机器学习算法体系汇总

[数据来自Google trends]

2.4.中国更爱深度学习

人工智能之机器学习算法体系汇总

[数据来源-Google trends]

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*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。Github开源机器学习系列文章及算法源码

感谢CSDN的2017CCAI参会机遇与分享平台。

上一篇:redo log , undo log 引发的一系列问题


下一篇:MySQL 学习笔记 - 日志