1.回归/分类树
2.降维（PCA、MDS、tSNE等）
3.经典的前馈神经网络
4.Bagging ensembles方法（随机森林、KNN回归集成）
5.Boosting ensemles方法（梯度提升，XGBoost算法）
6.参数调整或设计方案的优化算法（遗传算法、量子启发式演化算法、模拟退火、粒子群优化）
7.拓扑数据分析工具，特别适用于小样本量的无监督学习（持续同调、Morse-Smale聚类，Mapper）
8.深度学习框架
9.用于局部建模的KNN方法（回归、分类）
10.基于梯度的优化方法
11网络度量（中心度量，跳数，多样性，熵，拉普拉斯算子，疫情传播，谱聚类）
12.深层架构中的卷积和池化层（特别适用于计算机视觉和图像分类模型）
13.分层聚类
14.贝叶斯网络（路径挖掘）
15.复杂性和动态系统
建议读者根据自己所学领域重点学习面向特定领域的专用模型
##以上内容均来自《python 编程从数据分析到数据科学》
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
