深度学习算法归类

监督式学习：
逻辑回归（Logistic Regression）和反向传递神经网络（Back Propagation Neural Network）


非监督式学习：
Apriori 算法以及 k-Means 算法


半监督式学习：
图论推理算法（Graph Inference）或者拉普拉斯支持向量机（Laplacian SVM)


强化学习：
Q-Learning 以及时间差学习（Temporal difference learning）


回归算法:
最小二乘法（Ordinary Least Square），逻辑回归（Logistic Regression），逐步式回归（Stepwise Regression），多元自适应回归样条（Multivariate Adaptive Regression Splines）以及本地散点平滑估计（Locally Estimated Scatterplot Smoothing）


基于实例的算法:
 k-Nearest Neighbor (KNN)， 学习矢量量化（Learning Vector Quantization， LVQ），以及自组织映射算法（Self-Organizing Map ， SOM）  


决策树学习:
分类及回归树（Classification And Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection (CHAID)， Decision Stump, 随机森林（Random Forest）， 多元自适应回归样条（MARS）以及梯度推进机（Gradient Boosting Machine， GBM） 


贝叶斯方法:
朴素贝叶斯算法，平均单依赖估计（Averaged One-Dependence Estimators， AODE），以及 Bayesian Belief Network（BBN）


基于核的算法:
支持向量机（Support Vector Machine， SVM）， 径向基函数（Radial Basis Function ，RBF)， 以及线性判别分析（Linear Discriminate Analysis ，LDA)


聚类算法:
k-Means 算法以及期望最大化算法（Expectation Maximization， EM）


人工神经网络:
感知器神经网络（Perceptron Neural Network）， 反向传递（Back Propagation）， Hopfield 网络，自组织映射（Self-Organizing Map, SOM）。学习矢量量化（Learning Vector Quantization， LVQ）


深度学习:
受限波尔兹曼机（Restricted Boltzmann Machine， RBN）， Deep Belief Networks（DBN），卷积网络（Convolutional Network）， 堆栈式自动编码器（Stacked Auto-encoders）


降低维度算法:
主成份分析（Principle Component Analysis， PCA），偏最小二乘回归（Partial Least Square Regression，PLS）， Sammon 映射，多维尺度（Multi-Dimensional Scaling, MDS），  投影追踪（Projection Pursuit）


集成算法:
Boosting， Bootstrapped Aggregation（Bagging）， AdaBoost，堆叠泛化（Stacked Generalization， Blending），梯度推进机（Gradient Boosting Machine, GBM），随机森林（Random Forest）