機器學習/人工智能 知識圖譜
可以為自己建立一個機器學習的知識圖譜,并争取掌握每一個經典的機器學習理論和算法,簡單地總結如下:
另一種不同的機器學習整理方式:
機器學習算法分類總結
1)回歸算法:
- 最小二乘法(OrdinaryLeast Square)
- 邏輯回歸(Logistic Regression)
-
逐漸式回歸(Stepwise Regression)
(縮減方法)
- 多元自适應回歸樣條(MultivariateAdaptive Regression Splines)
- 本地散點平滑估計(Locally Estimated Scatterplot Smoothing)
2)基于執行個體的算法:
- k-Nearest Neighbor(KNN)
- 學習矢量量化(Learning Vector Quantization, LVQ)
- 自組織映射算法(Self-Organizing Map , SOM)
3)基于正則化方法:
- 嶺回歸(Ridge Regression)L2
- 稀疏限制Least Absolute Shrinkage and Selection Operator(LASSO)L1
- 彈性網絡(Elastic Net)
4)決策樹學習:
- 分類及回歸樹(ClassificationAnd Regression Tree, CART)
- ID3 (Iterative Dichotomiser 3)
- C4.5
- Chi-squared Automatic Interaction Detection(CHAID)
- Decision Stump
- 随機森林(Random Forest)
- 多元自适應回歸樣條(MARS)
- 梯度推進機(Gradient Boosting Machine, GBM)
5)基于貝葉斯方法:
- 樸素貝葉斯算法
- 平均單依賴估計(AveragedOne-Dependence Estimators, AODE)
- Bayesian Belief Network(BBN)
6)基于核的算法:
- 支援向量機(SupportVector Machine, SVM)
- 徑向基函數(Radial Basis Function ,RBF)
- 線性判别分析(Linear Discriminate Analysis ,LDA)
7)聚類算法:
- k-Means算法
- 期望最大化算法(Expectation Maximization, EM)
8)基于關聯規則學習:
- Apriori算法
- Eclat算法
9)人工神經網絡:
- 感覺器神經網絡(PerceptronNeural Network)
- 反向傳遞(Back Propagation)
- Hopfield網絡
- 自組織映射(Self-OrganizingMap, SOM)
- 學習矢量量化(Learning Vector Quantization, LVQ);
10)深度學習:
- 受限波爾茲曼機(RestrictedBoltzmann Machine, RBN)
- Deep Belief Networks(DBN)
- 卷積網絡(Convolutional Network)
- 堆棧式自動編碼器(Stacked Auto-encoders)
11)降低次元的算法:
- 主成份分析(PrincipleComponent Analysis, PCA)
- 偏最小二乘回歸(Partial Least Square Regression,PLS)
- Sammon映射
- 多元尺度(Multi-Dimensional Scaling, MDS)
- 投影追蹤(ProjectionPursuit)
12)內建算法:
- Boosting
- Bootstrapped Aggregation(Bagging)
- AdaBoost
- 堆疊泛化(Stacked Generalization, Blending)
- 梯度推進機(GradientBoosting Machine, GBM)
- 随機森林(Random Forest)
後續将持續更新機器學習算法及其Python實踐代碼,與大家一起學習探讨。