人工智能之机器学习算法体系汇总

1.人工智能之机器学习体系汇总

Github开源机器学习系列文章及算法源码

【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。

• 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

2、算法的适用场景：

需要考虑的因素有：
（1）数据量的大小、数据质量和数据本身的特点
（2）机器学习要解决的具体业务场景中问题的本质是什么？
（3）可以接受的计算时间是什么？
（4）算法精度要求有多高？

有了算法，有了被训练的数据（经过预处理过的数据），那么多次训练（考验计算能力的时候到了）后，经过模型评估和算法人员调参后，会获得训练模型。当新的数据输入后，那么我们的训练模型就会给出结果。业务要求的最基础的功能就算实现了。

互联网产品自动化运维是趋势，因为互联网需要快速响应的特性，决定了我们对问题要快速响应、快速修复。人工智能产品也不例外。AI + 自动化运维是如何工作的呢？

参考：《人工智能产品经理–AI时代PM修炼手册》

 

其他场景

1、类别分类计算

2、垃圾邮件过滤

3、手写字识别