- 人工智能——AI(artificial intelligence)
- 机器学习——ML(Machine Learning)
- 深度学习——DL(Deep Learning)
- 监督学习——Supervised Learning
- 无监督学习——Unsupervised Learning
- 半监督学习——Semi-supervised Learning
- 强化学习——Reinforcement Learning
- 集成学习——Ensemble Learning
- 知识图谱——Konwledge Representation
- 推荐系统——Recommender Systems
- 二分类——Binary Classification
- 多分类——Multiclass Classification
- 回归——Regression
- 线性SVM——linear Svms
- 逻辑回归——logistic regression
- 决策树——decision trees
- 随机森林——random forests
- 梯度提升树(GBDT)——gradient- boosted trees
- 朴素贝叶斯——naive Bayes
- 线性最小二乘回归——linear least squares
- 套索回归——Lasso
- 岭回归——ridge regression
- 保序回归——isotonic regression
- 大数据生态圈(计算机集群)——hadoop
- 分布式存储——HDFS
- 计算引擎——MapReduce(基于磁盘读写)
- 火花库——spark(基于内存计算)
- K均值聚类——K-Means
- 高斯混合模型GMM—— Gaussian mixture
- LDA——Latent Dirichlet allocation
- 决策树的核心算法——C4.5
- 分类与回归树——CART
- K邻近分类算法——KNN
- 贝叶斯模型——NaiveBayes
- 支持向量机——SVM
- 最大期望算法——EM
- 关联规则挖掘算法——Apriorifp-growth
- Google搜索重要算法之一——PageRank
- 迭代算法——AdaBoost
- 数据收集方式——Flume & Kafka
- 存储设施——mysql、HDFS、HBase、Kafka、Redis等
机器学习中的名词释义(一)
最新推荐文章于 2023-03-21 09:18:40 发布
本文介绍了人工智能、机器学习和深度学习的基本概念,包括监督学习、无监督学习、半监督学习和强化学习等学习方法。此外,还涵盖了集成学习、知识图谱和推荐系统等重要概念。在模型和算法部分,讨论了二分类、多分类、回归任务以及各种分类和回归模型,如SVM、逻辑回归和决策树。最后提到了大数据生态中的Hadoop、Spark以及数据收集和存储工具。
摘要由CSDN通过智能技术生成