干货丨人工智能之机器学习算法体系汇总

Github开源机器学习系列文章及算法源码

1.人工智能之机器学习体系汇总

【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。

     （如果上图看不清，请加QQ群： 58879540 获取高清大图）

• 监督学习 Supervised learning

  • 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

  • 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

  • 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)

  • 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

  • 人工神经网络 Artificial neural network

  • 贝叶斯 Bayesian

  • 决策树 Decision Tree

  • 线性分类 Linear classifier

• 无监督学习 Unsupervised learning

  • k-最近邻算法（K-NN） k-nearest neighbors classification(K-NN)

  • 局部异常因子 Local outlier factor

  • 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

  • 单连锁聚类 Single-linkage clustering

  • 概念聚类 Conceptual clustering

  • 先验算法 Apriori algorithm

  • Eclat算法 Eclat algorithm

  • FP-growth算法 FP-growth algorithm

  • 对抗生成网络

  • 前馈神经网络 Feedforward neurral network

  • 逻辑学习机 Logic learning machine

  • 自组织映射 Self-organizing map

  • 极端学习机 Extreme learning machine

  • 人工神经网络 Artificial neural network

  • 关联规则学习 Association rule learning

  • 分层聚类 Hierarchical clustering

  • 聚类分析 Cluster analysis

  • 异常检测 Anomaly detection

• 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

  • 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

  • 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)

  • 集成学习算法

  • 降维

学习应当严谨，有不当场之处欢迎斧正。

强力驱动 Wikipedia CSDN

2.人工智能相关趋势分析

2.1.人工智能再次登上历史舞台

人工智能与大数据对比——当今人工智能高于大数据

[数据来自Goolge trends]

2.2.Python才是王道

[数据来自Google trends]

2.3.深度学习趋势大热

[数据来自Google trends]

2.4.中国更爱深度学习

[数据来源-Google trends]

3.结语

关于人工智能的一点感想，写在最后

AI systems can’t model everything… AI needs to be robust to “unknown unknowns” [Thomas G.Dietterich ,2017CCAI]

中国自古有之

“知之为知之，不知为不知，是知也。”【出自《论语》】

人工智能已然是历史的第三波浪潮，堪称“工业4.0”，目前有突破性的成就，但也有未解之谜。真正创造一个有认知力的“生命”——还有很大的难度。希望此次浪潮会持续下去，创造出其真正的价值，而非商业泡沫。

大多数的我们发表不了顶级学术论文，开创不了先河。不要紧，沉下心，努力去实践。

人工智能路漫漫，却让我们的生活充满了机遇与遐想。