参考资料:从机器学习谈起 http://www.cnblogs.com/subconscious/p/4107357.html
A - 有监督学习(Supervised Learning)
通过有标记的数据训练出模型,预测新数据的标签
1. 线性回归(Linear Regression)
核心概念:最小二乘法,梯度下降,牛顿法
特点:线性拟合,数值预测,最简单
2. 逻辑回归(Logistics Regression)
核心概念:线性回归+Sigmoid函数
特点:基本是线性拟合(非线性在处理大数据量时效率低下),分类预测
3. 神经网络(Neural Networks)
核心概念:BP算法(加速神经网络训练过程的数值算法),分解(网络-层-神经元)与整合,每个神经元是一个逻辑回归模型
特点:非线性拟合,训练过程困难(90年代被SVM取代,随着深度学习出现重新复兴),利用生物科学的概念。
4. 支持向量机(Surport Vector Machines-SVM)
核心概念:高斯核,低维映射到高维,SMO算法
特点:非线性分类,逻辑回归算法的强化,基于统计学
B - 无监督学习(Unsupervised Learning)
对无标记的数据进行训练,推测这些数据的标签
5. 聚类(Clustering)
核心概念:K-Means算法,种群(Cluster,计算种群中的距离,根据距离的远近将数据划分为多个种群)
特点:无监督学习
6. 维度下降(Dimesionality Reduction)
核心概念:PCA(Principal Components Analysis,主成分分析)算法
特点:无监督学习,压缩数据与提升机器学习其他算法的效率,数据可视化(维度下降以后)
C - 特殊算法(不属于监督或非监督)
7. 推荐(Recommender Systems)
核心概念:协同过滤算法(Collaborative Filtering Algorithm),低秩矩阵分解(low-rank matrix factorization)
特点:常见于电商购物推荐,分基于物品的推荐(每个物品若干标签,推荐标签相近的物品)和用户相似度(每个用户兴趣爱好若干标签,推荐相近用户的购买物品)的推荐
D - 其他(待归类)
8. 异常检测(Anomaly Detection)
核心概念:高斯分布(Gaussian distribution,即正态分布)判别
特点:常见于生产不良品检测
9. 朴素贝叶斯
10. 决策树