文章發佈於公號【數智物語】 (ID:decision_engine),關注公號不錯過每一篇乾貨。
來源 | 百度文庫
作為AI的重要分支,機器學習在推薦系統、在線廣告、金融市場分析、計算機視覺、語言學、生物信息學等諸多領域都取得了巨大的成功。機器學習並不是像我們字面理解的那樣,讓冷冰冰的機器去學習,或者狹義的理解為讓機器人去學習。
機器學習,從本質上來說,可以理解為算法學習(Algorithm Learning)、模型學習(Model Learning)或者叫函數學習(Function Learning)。今天這個PPT將為大家詳細介紹機器學習-算法。
01
機器學習算法大致可以分為三類
監督學習算法 (Supervised Algorithms): 在監督學習訓練過程中,可以由訓練數據集學到或建立一個模式(函數 / learning model),並依此模式推測新的實例。該算法要求特定的輸入/輸出,首先需要決定使用哪種數據作為範例。例如,文字識別應用中一個手寫的字符,或一行手寫文字。主要算法包括神經網絡、支持向量機、最近鄰居法、樸素貝葉斯法、決策樹等。
無監督學習算法 (Unsupervised Algorithms): 這類算法沒有特定的目標輸出,算法將數據集分為不同的組。
強化學習算法 (Reinforcement Algorithms): 強化學習普適性強,主要基於決策進行訓練,算法根據輸出結果(決策)的成功或錯誤來訓練自己,通過大量經驗訓練優化後的算法將能夠給出較好的預測。類似有機體在環境給予的獎勵或懲罰的刺激下,逐步形成對刺激的預期,產生能獲得最大利益的習慣性行為。在運籌學和控制論的語境下,強化學習被稱作“近似動態規劃”(approximate dynamic programming,ADP)。
02
基本的機器學習算法:
線性迴歸算法 Linear Regression
支持向量機算法 Support Vector Machine,SVM
最近鄰居/k-近鄰算法 K-Nearest Neighbors,KNN
邏輯迴歸算法 Logistic Regression
決策樹算法 Decision Tree
k-平均算法 K-Means
隨機森林算法 Random Forest
樸素貝葉斯算法 Naive Bayes
降維算法 Dimensional Reduction
梯度增強算法 Gradient Boosting
Apriori算法
最大期望算法Expectation-Maximization algorithm, EM
PageRank算法
本文檔的pdf版可在公號“數智物語”後臺回覆“10大機器學習算法”查看詳情。文檔來源於百度文庫,版權歸原作者所有。
推薦閱讀:
星標我,每天多一點智慧