历史回顾
人类一直试图让机器具有智能,即人工智能(Artificial Intelligence)。从上世纪的“推理期”到“知识期”,AI可以证明一些著名的数学定理,大量专家系统问世。在其风头无两之时,暗含的问题也逐渐凸显:1.机器只能在人类已知的知识体系下运算。2.人力成本太高。于是,让机器“自主学习”的理念逐渐诞生,机器学习(ML)方法应运而生。从连接主义的感知机、神经网络,到统计学习的支持向量机,再到近日热门的深度学习······机器学习领域不断发展、日新月异,其中有大量方法有待我们学习、发掘。在这个系列中,我们将回顾一些传统的机器学习算法,温故而知新。
目录
线性回归——Linear Regression原理
机器不学习——KNN
对数几率回归——Logistics Regression原理
朴素贝叶斯——Naive Bayes原理
支持向量机——SVM原理