机器学习入门笔记1 框架

自用（s2 5343+564）

首先，

机器学习包括以下几个主要领域和算法：

1. 监督学习(Supervised Learning)：通过已知的数据和标签来建立模型，常见算法包括线性回归、逻辑回归、决策树、随机森林、神经网络等。

2. 无监督学习(Unsupervised Learning)：在没有标签的情况下从数据中提取模式，常见算法包括聚类、主成分分析、降维等。

3. 半监督学习(Semi-Supervised Learning)：同时使用有标签数据和无标签数据进行学习。

4. 强化学习(Reinforcement Learning)：通过执行决策，并获得环境反馈来训练模型，常见算法包括Q-learning、策略梯度等。

除了以上常见的领域和算法，还有很多其他的机器学习方法，例如深度学习、迁移学习、集成学习、自然语言处理、计算机视觉、数据挖掘和网页挖掘等。（可以开好多课了...）

---

深度学习是机器学习的一个分支，主要涉及神经网络的设计、训练和应用等方面。以下是深度学习的主要领域和算法:

1. 基础神经网络模型：包括多层感知机(MLP)、全连接神经网络(FNN)、卷积神经网络(CNN)、递归神经网络(RNN)等。

2. 深度神经网络模型：包括深度前馈网络(Deep Feedforward Networks)、深度卷积神经网络(Deep Convolutional Networks)、深度递归神经网络(Deep Recurrent Networks)等。

3. 深度强化学习(Deep Reinforcement Learning)：这是一种结合强化学习和神经网络的方法，常见算法包括深度Q网络(DQN)、策略梯度算法(Policy Gradient)等。

4. 自然语言处理(Natural Language Processing)：主要涉及语言模型、词向量、文本分类、机器翻译等领域，常见算法包括循环神经网络(RNN)、注意力机制等。

5. 计算机视觉(Computer Vision)：主要涉及目标检测、图像分类、图像生成等领域，常见算法包括卷积神经网络(CNN)、残差网络(ResNet)、生成式对抗网络(GAN)等。

6. Generative Models：包括自动编码器(Autoencoder)、变分自动编码器(VAE)、生成式对抗网络(GAN)等。

以上是深度学习的一些主要领域和算法，随着深度学习技术的不断发展，还会出现更多的新方法和技术。