anns初级计算机证书,机器学习 综述

回归算法(Regression Algorithms)包括线性回归(Linear Regression)、决策树(Decision Trees)、贝叶斯网络(Bayesian Networks)、模糊分类(Fuzzy Classification)，以及ANNs。

无监督学习中，训练集只有数据，而没有标签。无监督学习包括聚类算法，将数据按相关性的远近分为多个簇，最常见的如K-means 聚类，还有分层聚类(Hierarchical Clustering)、高斯混合模型(Gaussian Mixture Models)、遗传算法(Genetic Algorithms)、ANNs。

降维算法(Dimensionality Reduction Algorithms)是将原始多维数据映射为低维数据，用更少的数据量来描述原始数据的主要特征。降维算法如主成分分析(Principal Component Analysis，PCA)、张量还原(Tensor Reduction)、多维统计(Multidimensional Statistics)、随机投射(Random Projection)、ANNs。

在机器学习的工具使用中，大部分都是开源的，以便于我们更容易地进行实验和学习。

机器学习社区主要分为两个阵营：一个倾向于使用R语言，一个倾向于使用Python。当然，这种阵营划分是没有什么意义的，因为优秀的工程师往往能够根据工程需求熟练地使用各种工具。

拥有强统计学背景的人往往更喜欢使用R语言，R语言使用ggplot2可视化工具库来实现非常帮的图表绘制。拥有计算机背景的人则更垂青于Python，Python有非常丰富的工具库(数值计算的NumPy、科学计算的SciPy、统计工具StatsModels，机器学习scikit-learn，可视化matplotlib)，并且能够达到接近C语言的运行速度。

通常情况下，R和Python工作时都是将数据集直接存放在计算机内存中的，然而当数据集非常庞大时，计算机内存可能就不太够用了，分布式计算平台就发挥了它的作用。流行的包括Hadoop，然而在Hadoop中运行机器学习却不是一件非常容易的事情。Spark底层封装了Hadoop，却提供了一个更高层的抽象接口，你可以使用Scala、Java、Python、R来编写你的算法，并且Spark已经编写了机器学习库，可以轻松地调用。

Julia是一个旨在获得高计算性能的非常有前景的编程语言，然而也由于Julia仍然是一门新语言，库的数量还不及Python或者R。

在商业领域，Matlab和SAS拥有非常出色的表现。Matlab包含了非常丰富的机器学习算法库，SAS则更加擅长统计分析。