Atitit 机器学习算法分类 五大分类v5 t56.docx

Atitit 机器学习算法分类

 

目录

1. 传统的机器学习算法  vs 深度学习 1

1.1. 传统的机器学习算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。 2

2. 监督学习与非监督学习 2

3. 连续型学习  跳跃型学习 2

4. 根据学习方式分类 3

4.1. 包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等 3

4.2. 强化学习 迁移学习  机械学习 3

4.3. 人工神经网络 3

4.4. 深度学习算法 3

5. 机器学习五大流派（主要算法） 3

5.1. 符号主义——逻辑学、哲学——逆向演绎 （决策树 3

5.2. 贝叶斯派——统计学——概率推理 马尔科夫 回归 4

5.3. 行为类推主义——心理学——新旧知识相似性 SVM KNN 4

5.4. 联结主义——神经科学——反向传播 4

5.5. 进化主义——进化生物学——遗传编码 4

6. 图解十大经典机器学习算法入门 2 5

6.1. 决策树 4随机森林 5逻辑回归 7 5

6.2. 支持向量机 11朴素贝叶斯 14K近邻算法 17 5

6.3. K均值算法 19Adaboost 22神经网络 24马尔科夫 25 5

7. ref 5

 

  1. 传统的机器学习算法  vs 深度学习

 

根据学习方法可以将机器学习分为传统机器学习和深度学习

 

 

Atitit 常见机器学习算法总结

 

    1. 传统的机器学习算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。

这篇文章将对常用算法做常识性的介绍

 

深度学习

  1. 监督学习与非监督学习

 

  1. 连续型学习  跳跃型学习

通常，“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。我们可以将这样的学习方式称之为“连续型学习”。但人类除了会从经验中学习之外，还会创造，即“跳跃型学习”。这在某些情形下被称为“灵感”或“顿悟”。一直以来，计算机最难学会的就是“顿悟”。或者再严格一些来说，计算机在学习和“实践”方面难以学会“不依赖于量变的质变”，很难从一种“质”直接到另一种“质”，或者从一个“概念”直接到另一个“概念”。正因为如此，这里的“实践”并非同人类一样的实践。人类的实践过程同时包括经验和创造

  1. 根据学习方式分类

    1. 包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等
    2. 强化学习 迁移学习  机械学习

 

    1. 人工神经网络

人工神经网络是一类受生物神经网络的结构及/或功能启发而来的模型

 

    1. 深度学习算法

深度学习算法是人工神经网络的升级版，充分利用廉价的计算力

  1. 机器学习五大流派（主要算法）
    1. 符号主义——逻辑学、哲学——逆向演绎 （决策树
  •  

相信填补现有知识的空白的

 

    1. 贝叶斯派——统计学——概率推理 马尔科夫 回归

 

 

    1. 行为类推主义——心理学——新旧知识相似性 SVM KNN

行为类比主义（Analogizer）  knn svm 新旧知识间的相似性

 

 

希望从大脑运行方式得到启发

遗传算法

  •  
  •  
  •  
  •  

 

  1. 图解十大经典机器学习算法入门 2

    1. 决策树 4随机森林 5逻辑回归 7
    2. 支持向量机 11朴素贝叶斯 14K近邻算法 17
    3. K均值算法 19Adaboost 22神经网络 24马尔科夫 25

 

 

 

  1.  ref

图解十大经典机器学习算法入门 - jrunw的博客 - CSDN博客.html

 

(1条消息)【干货】机器学习常用 35 大算法盘点（附思维导图） - java、c++、机器学习方向King - CSDN博客.html

(1条消息)7个最好的Java机器学习开发库 - IT派 - CSDN博客.html

(1条消息)6大最常用的Java机器学习库一览 - 智者之家 - CSDN博客.html

Atitit 机器学习的五大分类与应用.docx