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》