文章发布于公号【数智物语】 (ID:decision_engine),关注公号不错过每一篇干货。
来源 | 百度文库
作为AI的重要分支,机器学习在推荐系统、在线广告、金融市场分析、计算机视觉、语言学、生物信息学等诸多领域都取得了巨大的成功。机器学习并不是像我们字面理解的那样,让冷冰冰的机器去学习,或者狭义的理解为让机器人去学习。
机器学习,从本质上来说,可以理解为算法学习(Algorithm Learning)、模型学习(Model Learning)或者叫函数学习(Function Learning)。今天这个PPT将为大家详细介绍机器学习-算法。
01
机器学习算法大致可以分为三类
监督学习算法 (Supervised Algorithms): 在监督学习训练过程中,可以由训练数据集学到或建立一个模式(函数 / learning model),并依此模式推测新的实例。该算法要求特定的输入/输出,首先需要决定使用哪种数据作为范例。例如,文字识别应用中一个手写的字符,或一行手写文字。主要算法包括神经网络、支持向量机、最近邻居法、朴素贝叶斯法、决策树等。
无监督学习算法 (Unsupervised Algorithms): 这类算法没有特定的目标输出,算法将数据集分为不同的组。
强化学习算法 (Reinforcement Algorithms): 强化学习普适性强,主要基于决策进行训练,算法根据输出结果(决策)的成功或错误来训练自己,通过大量经验训练优化后的算法将能够给出较好的预测。类似有机体在环境给予的奖励或惩罚的刺激下,逐步形成对刺激的预期,产生能获得最大利益的习惯性行为。在运筹学和控制论的语境下,强化学习被称作“近似动态规划”(approximate dynamic programming,ADP)。
02
基本的机器学习算法:
线性回归算法 Linear Regression
支持向量机算法 Support Vector Machine,SVM
最近邻居/k-近邻算法 K-Nearest Neighbors,KNN
逻辑回归算法 Logistic Regression
决策树算法 Decision Tree
k-平均算法 K-Means
随机森林算法 Random Forest
朴素贝叶斯算法 Naive Bayes
降维算法 Dimensional Reduction
梯度增强算法 Gradient Boosting
Apriori算法
最大期望算法Expectation-Maximization algorithm, EM
PageRank算法
本文档的pdf版可在公号“数智物语”后台回复“10大机器学习算法”查看详情。文档来源于百度文库,版权归原作者所有。
推荐阅读:
星标我,每天多一点智慧