AI中涉及到的算法汇总（精华）

已于 2025-01-21 11:39:21 修改
阅读量1.8k 收藏 21
点赞数 14
分类专栏： Python 技术汇总 人工智能 机器学习 文章标签： 深度学习 人工智能 python 算法 机器学习
于 2025-01-21 10:38:52 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DJY1992/article/details/145278216
版权

AI中涉及到的算法汇总（精华）

转载请标明出处：
https://dujinyang.blog.csdn.net/
本文出自:【奥特曼超人的博客】

优化方面可参考：《人工智能AI的优化与实际应用（Optimization）》

在人工智能（AI）领域，涉及的算法种类非常多，涵盖了不同的任务和应用。以下是一些常见的AI算法类型，仅供参考学习：

涵盖的算法

1. 监督学习算法

这些算法在有标签的数据上进行训练，目标是根据输入数据预测输出标签。常见的监督学习算法包括：

  • 线性回归（Linear Regression）
		#KARL-DUJINYANG
		from sklearn.linear_model import LinearRegression
		from sklearn.model_selection import train_test_split
		from sklearn.datasets import make_regression
		
		# 生成一个简单的回归数据集
		X, y = make_regression(n_samples=100, n_features=1, noise=0.1)
		
		# 切分数据集
		X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
		
		# 创建线性回归模型
		model = LinearRegression()
		
		# 训练模型
		model.fit(X_train, y_train)
		
		# 预测
		y_pred = model.predict(X_test)
		
		# 输出结果
		print("模型的权重:", model.coef_)
		print("模型的截距:", model.intercept_)
  • 逻辑回归（Logistic Regression）
		#KARL-DUJINYANG
	from sklearn.linear_model import LogisticRegression
	from sklearn.model_selection import train_test_split
	from sklearn.datasets import load_iris
	from sklearn.preprocessing import LabelBinarizer
	
	# 加载数据集
	iris = load_iris()
	X = iris.data
	y = LabelBinarizer().fit_transform(iris.target)[:, 0]  # 转为二分类问题
	
	# 切分数据集
	X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
	
	# 创建逻辑回归模型
	model = LogisticRegression()
	
	# 训练模型
	model.fit(X_train, y_train)
	
	# 预测
	y_pred = model.predict(X_test)
	
	# 输出准确率
	print("模型准确率:", model.score(X_test, y_test))
  • 支持向量机（SVM, Support Vector Machine）
		#KARL-DUJINYANG
	from sklearn.svm import SVC
	from sklearn.datasets import load_iris
	from sklearn.model_selection import train_test_split
	
	# 加载数据集
	iris = load_iris()
	X = iris.data
	y = iris.target
	
	# 切分数据集
	X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
	
	# 创建支持向量机模型
	model = SVC(kernel='linear')
	
	# 训练模型
	model.fit(X_train, y_train)
	
	# 预测
	y_pred = model.predict(X_test)
	
	# 输出准确率
	print("模型准确率:", model.score(X_test, y_test))
  • 决策树（Decision Trees）
		#KARL-DUJINYANG
	from sklearn.tree import DecisionTreeClassifier
	from sklearn.datasets import load_iris
	from sklearn.model_selection import train_test_split
	
	# 加载数据集
	iris = load_iris()
	X = iris.data
	y = iris.target
	
	# 切分数据集
	X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
	
	# 创建决策树模型
	model = DecisionTreeClassifier()
	
	# 训练模型
	model.fit(X_train, y_train)
	
	# 预测
	y_pred = model.predict(X_test)
	
	# 输出准确率
	print("模型准确率:", model.score(X_test, y_test))
  • 随机森林（Random Forest）
		#KARL-DUJINYANG
	from sklearn.ensemble import RandomForestClassifier
	from sklearn.datasets import load_iris
	from sklearn.model_selection import train_test_split
	
	# 加载数据集
	iris = load_iris()
	X = iris.data
	y = iris.target
	
	# 切分数据集
	X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
	
	# 创建随机森林模型
	model = RandomForestClassifier()
	
	# 训练模型
	model.fit(X_train, y_train)
	
	# 预测
	y_pred = model.predict(X_test)
	
	# 输出准确率
	print("模型准确率:", model.score(X_test, y_test))
  • k近邻算法（K-Nearest Neighbors, KNN）
		#KARL-DUJINYANG
from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 切分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建k近邻算法模型
model = KNeighborsClassifier(n_neighbors=3)

# 训练模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 输出准确率
print("模型准确率:", model.score(X_test, y_test))
  • 神经网络（Neural Networks）
		#KARL-DUJINYANG
	from sklearn.neural_network import MLPClassifier
	from sklearn.datasets import load_iris
	from sklearn.model_selection import train_test_split
	
	# 加载数据集
	iris = load_iris()
	X = iris.data
	y = iris.target
	
	# 切分数据集
	X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
	
	# 创建神经网络模型
	model = MLPClassifier(hidden_layer_sizes=(10,))
	
	# 训练模型
	model.fit(X_train, y_train)
	
	# 预测
	y_pred = model.predict(X_test)
	
	# 输出准确率
	print("模型准确率:", model.score(X_test, y_test))

2. 无监督学习算法

这些算法用于没有标签的数据集，目标是从数据中发现模式或结构。
常见的无监督学习算法包括：

  • k均值聚类（K-Means Clustering）
		#KARL-DUJINYANG
	from sklearn.cluster import KMeans
	import numpy as np
	import matplotlib.pyplot as plt
	from sklearn.datasets import make_blobs
	
	# 生成示例数据
	X, _ = make_blobs(n_samples=300, centers=4, random_state=42)
	
	# 创建K均值模型，指定聚类的个数为4
	kmeans = KMeans(n_clusters=4, random_state=42)
	
	# 训练模型
	kmeans.fit(X)
	
	# 获取聚类的标签
	y_kmeans = kmeans.predict(X)
	
	# 绘制聚类结果
	plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, s=50, cmap='viridis')
	
	# 绘制聚类中心
	centers = kmeans.cluster_centers_
	plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.75, marker='X')
	
	plt.show()
  • 主成分分析（PCA, Principal Component Analysis）
		#KARL-DUJINYANG
	from sklearn.decomposition import PCA
	from sklearn.datasets import load_iris
	import matplotlib.pyplot as plt
	
	# 加载数据集
	iris = load_iris()
	X = iris.data
	y = iris.target
	
	# 创建PCA模型，减少到2个主成分
	pca = PCA(n_components=2)
	
	# 进行PCA降维
	X_pca = pca.fit_transform(X)
	
	# 绘制PCA降维后的数据
	plt.figure(figsize=(8,6))
	scatter = plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y, cmap='viridis')
	
	# 添加图例
	plt.legend(handles=scatter.legend_elements()[0], labels=iris.target_names)
	plt.xlabel('PCA Component 1')
	plt.ylabel('PCA Component 2')
	plt.title('PCA of Iris Dataset')
	plt.show()
  • 高斯混合模型（GMM, Gaussian Mixture Models）
		#KARL-DUJINYANG
	from sklearn.mixture import GaussianMixture
	from sklearn.datasets import make_blobs
	import numpy as np
	import matplotlib.pyplot as plt
	
	# 生成示例数据
	X, _ = make_blobs(n_samples=300, centers=4, random_state=42)
	
	# 创建高斯混合模型，假设有4个组件
	gmm = GaussianMixture(n_components=4, random_state=42)
	
	# 训练模型
	gmm.fit(X)
	
	# 获取聚类标签
	y_gmm = gmm.predict(X)
	
	# 绘制聚类结果
	plt.scatter(X[:, 0], X[:, 1], c=y_gmm, s=50, cmap='viridis')
	
	# 绘制高斯混合模型的均值
	means = gmm.means_
	plt.scatter(means[:, 0], means[:, 1], c='red', s=200, alpha=0.75, marker='X')
	
	plt.title('Gaussian Mixture Model Clustering')
	plt.show()
  • 自编码器（Autoencoders）
		#KARL-DUJINYANG
	import numpy as np
	from keras.layers import Input, Dense
	from keras.models import Model
	from sklearn.datasets import load_digits
	from sklearn.model_selection import train_test_split
	import matplotlib.pyplot as plt
	
	# 加载数据集
	digits = load_digits()
	X = digits.data
	y = digits.target
	
	# 标准化数据-
	X = X / 255.0
	
	# 切分数据集
	X_train, X_test = train_test_split(X, test_size=0.2, random_state=42)
	
	# 自编码器的网络结构
	input_dim = X.shape[1]
	encoding_dim = 32  # 压缩后的维度
	
	# 定义编码器
	input_layer = Input(shape=(input_dim,))
	encoded = Dense(encoding_dim, activation='relu')(input_layer)
	
	# 定义解码器
	decoded = Dense(input_dim, activation='sigmoid')(encoded)
	
	# 定义自编码器模型
	autoencoder = Model(input_layer, decoded)
	
	# 编译模型
	autoencoder.compile(optimizer='adam', loss='mean_squared_error')
	
	# 训练自编码器
	autoencoder.fit(X_train, X_train, epochs=50, batch_size=256, shuffle=True, validation_data=(X_test, X_test))
	
	# 使用自编码器进行预测
	decoded_imgs = autoencoder.predict(X_test)
	
	# 绘制原始图片与重建后的图片进行比较
	n = 10  # 显示前10个测试图片
	plt.figure(figsize=(20, 4))
	for i in range(n):
	    ax = plt.subplot(2, n, i + 1)
	    plt.imshow(X_test[i].reshape(8, 8), cmap='gray')
	    plt.gray()
	    ax.set_axis_off()
	
	    ax = plt.subplot(2, n, i + 1 + n)
	    plt.imshow(decoded_imgs[i].reshape(8, 8), cmap='gray')
	    plt.gray()
	    ax.set_axis_off()
	plt.show()

3. 强化学习算法

强化学习（Reinforcement Learning, RL）通过奖励和惩罚机制来训练智能体，在动态环境中采取最优行动。常见的强化学习算法包括：

  • Q学习（Q-learning）
  • 深度Q网络（DQN, Deep Q Networks）
  • 策略梯度方法（Policy Gradient Methods）
  • 蒙特卡罗树搜索（MCTS, Monte Carlo Tree Search）

4. 深度学习算法

深度学习是基于神经网络的一个子领域，特别强调层次化的数据表示。常见的深度学习算法包括：

  • 卷积神经网络（CNN, Convolutional Neural Networks）——常用于图像识别和视频分析。
  • 循环神经网络（RNN, Recurrent Neural Networks）——用于处理序列数据，如自然语言处理。
  • 长短时记忆网络（LSTM, Long Short-Term Memory）——RNN的一种改进，用于更好地处理长序列数据。
  • 生成对抗网络（GAN, Generative Adversarial Networks）——用于生成数据，如图像、音频或文本。

5. 自然语言处理（NLP）算法

自然语言处理是AI的一个重要领域，涉及文本和语言的理解和生成。常见的NLP算法包括：

  • 词袋模型（Bag of Words, BoW）
  • TF-IDF（词频-逆文档频率）（Term Frequency-Inverse Document Frequency）
  • Word2Vec 和 GloVe——词嵌入方法
  • BERT（Bidirectional Encoder Representations from Transformers）和GPT（Generative Pretrained Transformer）——用于文本生成和理解的预训练模型

6. 图算法

图算法处理与图结构（节点和边）相关的问题，常见的图算法包括：

  • Dijkstra算法——求解最短路径问题
  • A*搜索算法——启发式搜索算法，常用于路径规划
  • PageRank——Google的网页排名算法
  • 图卷积网络（GCN, Graph Convolutional Networks）

7. 进化算法

进化算法是基于自然选择的启发式优化算法，常用于求解复杂的优化问题。常见的进化算法包括：

  • 遗传算法（Genetic Algorithm）
  • 遗传编程（Genetic Programming）
  • 差分进化算法（Differential Evolution）

8. 优化算法

这些算法主要用于解决最优化问题，如找到最优解或最小化/最大化某个目标函数。常见的优化算法包括：

  • 梯度下降法（Gradient Descent）
  • 牛顿法（Newton’s Method）
  • 粒子群优化（PSO, Particle Swarm Optimization）
  • 模拟退火（Simulated Annealing），此算法有趣

9. 贝叶斯算法

贝叶斯算法利用概率模型进行推理和预测。常见的贝叶斯算法包括：

  • 朴素贝叶斯分类器（Naive Bayes Classifier）
  • 贝叶斯网络（Bayesian Networks）

10. 其他算法

  • Apriori算法——用于关联规则挖掘，如市场篮分析。
  • AdaBoost 和 XGBoost——集成学习方法，常用于分类问题。
  • 隐马尔可夫模型（HMM, Hidden Markov Model）——常用于时间序列分析。

这些算法是人工智能领域中最基础的构成部分，不同的任务和应用可能需要不同类型的算法组合来解决。

感兴趣的后续可以 关注专栏或者公众号 — 《黑客的世界》
python2048微信公众号

作者：奥特曼超人Dujinyang

来源：CSDN

原文：https://dujinyang.blog.csdn.net/

版权声明：本文为博主杜锦阳原创文章，转载请附上博文链接！

MATLAB算法实战应用案例精讲-【人工智能】边缘计算（最终篇）
qq_36130719的博客
09-28 2058
智能设备连接到网络最早出现在1982年， Carnegie Mellon University改进的Coke machine成了第一个网络连接的机器，它可以报告自己的库存并且能够检测饮料是否是冰镇的。身边的thing连接到网络的世界正式拉开帷幕。物联网（Internet of Things）这个词，国内外普遍公认的是MIT Auto-ID中心Ashton教授1999年在研究RFID时最早提出来的。
扩展C++中算法中的终极字符串神器：后缀数组（Suffix Array）
奥特曼超人的博客专栏
03-14 815
后缀数组（Suffix Array）是一种用于字符串处理的超级工具！🔥 快速字符串匹配（搜索引擎、文本编辑器）🔍 最长公共子串查找（DNA 比对、文本相似度分析）📊 词频统计与压缩（信息检索、数据压缩算法）这个神秘的数据结构究竟如何运作？让我们一探究竟！Burrows-Wheeler 变换（BWT）是后缀数组的一个重要应用，能够提升压缩效率并加速文本搜索！结合游程编码（RLE）、霍夫曼编码，可以实现更高效的压缩算法！📦💡📢下一个挑战！想要了解BWT 逆变换、FM 索引或更高级的压缩方法吗？
AI识别的算法定义和分类
liveweb视频汇聚平台
03-05 432
AI算法是人工智能领域的核心技术，它基于数学和统计学原理，通过分析和处理数据，使机器能够执行类似人类的智能任务。这些算法在训练过程中不断优化，以提高其性能和准确性。
AI算法-CNN
hcxddd的博客
07-24 2040
CNN
AI大模型学习路线：（非常详细）AI大模型学习路线，收藏这一篇就够了！_ai学习资料
HUANGXIN9898的博客
02-26 707
自学AI大模型需要扎实的基础知识、系统的学习路线和持续的实践与探索。希望这条学习路线能为新手小白们提供一个清晰的方向，帮助大家更好地进入和发展在AI大模型领域。祝大家学习顺利，早日成为AI领域的专家！​读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用如果你是零基础小白，想快速入门大模型是可以考虑的。一方面是学习时间相对较短，学习内容更全面更集中。二方面是可以根据这些资料规划好学习计划和方向。
言简意赅了解十大常见AI算法
weixin_34150503的博客
10-24 2488
感知机 二分类 二分类的线性分类模型，也是判别模型。 目的是求出把训练数据进行线性划分的分离超平面。 感知机是神经网络和支持向量机的基础。 学习策略：极小化损失函数。损失函数对应于误分类点到分离超平面的总距离。 基于随机梯度下降法对损失函数的最优化算法，有原始形式和对偶形式。 K近邻法 K-nearest neighbor, K-NN 多分类和回归 ...
人工智能的算法有哪些？AI常用算法
gp16674213804的博客
03-14 1万+
人工智能领域的算法种类繁多，随着技术的不断发展和深入研究，新的算法不断涌现。除了上述几种常见的算法，还有许多其他的算法，如决策树、神经进化算法、随机森林等等。
简单AI算法
但求心安的博客
12-08 1882
简单的五子棋算法： Q2O代表2个棋子 有一边被堵了， 下面的以此类推，每一次下棋都计算能下棋的位置自己的权值，要从4个方向计算，水平， 垂直，45度角，135度角。堵棋是计算对方的权值，两者相加最大值就是下棋的位置。 这个水平我认为还算一般，中等偏下。 Java源代码 package com.what21.chess; /*  * 人机对战的算法,对外的接口是getQua
ai算法汇总
qq_43159264的博客
06-14 783
BIRCH算法:层次聚类
2024蓝桥杯算法题解精华汇总
在准备蓝桥杯比赛时，参赛者需要深入理解上述知识点，并能将所学知识应用到具体的编程题目中。比赛题目往往需要参赛者具备良好的编程能力、创新思维和扎实的理论基础。通常，比赛会包括算法设计、程序编写和调试、...
阿里技术参考图册：算法与研发篇精华汇总
12. **人工智能与机器学习应用**：介绍AI在业务中的应用，如自然语言处理、图像识别、推荐系统等。 13. **项目管理工具**：介绍项目管理工具的使用，如何规划项目、分配任务、跟踪进度等。 14. **质量保证与测试**...
基于C++中自适应巡航控制（ACC）算法
最新发布
奥特曼超人的博客专栏
03-14 998
前方车辆检测：获取前方车辆与本车的距离。安全距离计算：基于车速计算最小安全跟车距离。速度调整：根据当前车速、目标车速、车距计算加速或减速量。制动控制：当接近前车时，适当降低车速，甚至执行刹车操作。所有变量命名以dujinyang_开头，以符合特定的命名规范。private:// 车辆当前速度 (km/h)// 目标巡航速度 (km/h)// 实际前方车距 (m)// 计算出的安全车距 (m)public:// 构造函数// 计算安全车距（基于速度）// 2秒规则。
AI算法精研-按类别
02-28
非常棒的一本AI算法书籍，深入浅出的讲解了AI算法，非常值得一读
人工智能算法有哪些
新技术革命
03-18 1万+
（1）人工神经网络（Artificial Neural Network）类：反向传播（Backpropagation）、波尔兹曼机（Boltzmann Machine）、卷积神经网络（Convolutional Neural Network）、Hopfield网络（hopfield Network）、多层感知器（Multilyer Perceptron）、径向基函数网络（Radial Basis Function Network，RBFN）、受限波尔兹曼机（Restricted Boltzmann Mach
AI-算法整理
The_Oringinal_Leon的博客
07-04 436
算法标题 什么算法 定义、逻辑 有什么用、使用场景
轻松理解20种最常用的AI算法
Baihai_IDP的博客
09-06 1万+
常用AI算法知多少？他们的主要特征是什么？分别用在什么场景？ 如何用1-3句话，让小白也能充分理解各算法？
什么是AI算法
计算机毕业论文源码，学生个人网页制作html源码。贴近用户做网络推广和互联网优化。
11-17 1137
各位同好有没有武士跌倒黄金版AI双倍收入Mod 我都是当AI透明的 基于三轴加速度传感器的人体跌倒检测的离线数据库有哪些 为了满足老年人的护理需求,减少老年人因跌倒造成的身心伤害,提出了一种基于三轴加速度传感器的人体跌倒检测系统。该系统主要基于姿态测量特性,利用姿态角作为跌倒判断标准;并且考虑到噪声影响和跌倒检测...
【人工智能】人工智能的10大算法详解（优缺点+实际案例）
热门推荐
万物皆有灵
10-18 2万+
人工智能（AI）是现代科技的重要领域，其中的算法是实现智能的核心。本文将介绍10种常见的人工智能算法，包括它们的原理、训练方法、优缺点及适用场景。
人工智能算法分类
能量守恒洛的专栏
07-22 6505
一、人工智能学习算法分类 人工智能算法大体上来说可以分类两类：基于统计的机器学习算法(Machine Learning)和深度学习算法(Deep Learning) 总的来说，在sklearn中机器学习算法大概的分类如下： 纯算法类 (1).回归算法 (2).分类算法 (3).聚类算法 (4)降维算法 (5)概率图模型算法 (6)文本挖掘算法 (7)优化算法 (8)深度学习算法 2.建模方面 (1)模型优化 (2)数据预处理 二、详细算法 1.分类算法 (1).LR (Logistic Regressi
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值