AI时代的机器学习算法、应用及数据处理

AI时代的机器学习算法

毋庸置疑，AI时代已到。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。文章末尾附本PPT下载。

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）。

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

机器学习算法时代数据处理机器

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。