unity折射光线算法

人工智能的三大基石—算法、数据和计算能力，算法作为其中之一，是非常重要的，那么人工智能都会涉及哪些算法呢？不同算法适用于哪些场景呢？

一、按照模型训练方式不同可以分为监督学习（Supervised Learning），无监督学习（Unsupervised Learning）、半监督学习（Semi-supervised Learning）和强化学习（Reinforcement Learning）四大类。

常见的监督学习算法包含以下几类：
（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 Machine）、回归神经网络（Recurrent Neural Network，RNN）、自组织映射（Self-organizing Map，SOM）、尖峰神经网络（Spiking Neural Network）等。
（2）贝叶斯类（Bayesin）：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-依赖性评估（Averaged One-Dependence Estimators，AODE）
贝叶斯信念网络（Bayesian Belief Network，BBN）、贝叶斯网络（Bayesian Network，BN）等。
（3）决策树（Decision Tree）类：分类和回归树（Classification and Regression Tree，CART）、迭代Dichotomiser3（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（Chi-squared Automatic Interaction Detection，CHAID）、决策残端（Decision Stump）、ID3算法（ID3 Algorithm）、随机森林（Random Forest）、SLIQ（Supervised Learning in Quest）等。
（4）线性分类器（Linear Classifier）类：Fisher的线性判别（Fisher’s Linear Discriminant）
线性回归（Linear Regression）、逻辑回归（Logistic Regression）、多项逻辑回归（Multionmial Logistic Regression）、朴素贝叶斯分类器（Naive Bayes Classifier）、感知（Perception）、支持向量机（Support Vector Machine）等。

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

常见的无监督学习类算法包括：
（1） 人工神经网络（Artificial Neural Network）类：生成对抗网络（Generative Adversarial Networks，GAN），前馈神经网络（Feedforward Neural Network）、逻辑学习机（Logic Learning Machine）、自组织映射（Self-organizing Map）等。
（2） 关联规则学习（Association Rule Learning）类：先验算法（Apriori Algorithm）、Eclat算法（Eclat Algorithm）、FP-Growth算法等。
（3）分层聚类算法（Hierarchical Clustering）：单连锁聚类（Single-linkage Clustering），概念聚类（Conceptual Clustering）等。
（4）聚类分析（Cluster analysis）：BIRCH算法、DBSCAN算法，期望最大化（Expectation-maximization，EM）、模糊聚类（Fuzzy Clustering）、K-means算法、K均值聚类（K-means Clustering）、K-medians聚类、均值漂移算法（Mean-shift）、