人工智能之机器学习算法体系汇总

怼烎@ 2022-01-28 02:07 377阅读 0赞

*  1.人工智能之机器学习体系汇总
 *  2.人工智能相关趋势分析
    
     *  2.1.人工智能再次登上历史舞台
     *  2.2.Python才是王道
     *  2.3.深度学习趋势大热
     *  2.4.中国更爱深度学习
 *  3.结语

参加完2017CCAI，听完各位专家的演讲后受益匪浅。立志写“人工智能之机器学习”系列，此为开篇，主要梳理了机器学习方法体系，人工智能相关趋势，Python与机器学习，以及结尾的一点感恩。

> [Github开源机器学习系列文章及算法源码][Github]

# 1.人工智能之机器学习体系汇总 #

【直接上干货】此处梳理出面向人工智能的机器学习方法体系，主要体现机器学习方法和逻辑关系，理清机器学习脉络，后续文章会针对机器学习系列讲解算法原理和实战。抱着一颗严谨学习之心，有不当之处欢迎斧正。

![01\_ml\_all][01_ml_all]

*  监督学习 Supervised learning
    
     *  人工神经网络 Artificial neural network
        
         *  自动编码器 Autoencoder
         *  反向传播 Backpropagation
         *  玻尔兹曼机 Boltzmann machine
         *  卷积神经网络 Convolutional neural network
         *  Hopfield网络 Hopfield network
         *  多层感知器 Multilayer perceptron
         *  径向基函数网络（RBFN） Radial basis function network(RBFN)
         *  受限玻尔兹曼机 Restricted Boltzmann machine
         *  回归神经网络（RNN） Recurrent neural network(RNN)
         *  自组织映射（SOM） Self-organizing map(SOM)
         *  尖峰神经网络 Spiking neural network
     *  贝叶斯 Bayesian
        
         *  朴素贝叶斯 Naive Bayes
         *  高斯贝叶斯 Gaussian Naive Bayes
         *  多项朴素贝叶斯 Multinomial Naive Bayes
         *  平均一依赖性评估（AODE） Averaged One-Dependence Estimators(AODE)
         *  贝叶斯信念网络（BNN） Bayesian Belief Network(BBN)
         *  贝叶斯网络（BN） Bayesian Network(BN)
     *  决策树 Decision Tree
        
         *  分类和回归树（CART） Classification and regression tree (CART)
         *  迭代Dichotomiser 3（ID3） Iterative Dichotomiser 3(ID3)
         *  C4.5算法 C4.5 algorithm
         *  C5.0算法 C5.0 algorithm
         *  卡方自动交互检测（CHAID） Chi-squared Automatic Interaction Detection(CHAID)
         *  决策残端 Decision stump
         *  ID3算法 ID3 algorithm
         *  随机森林 Random forest
         *  SLIQ
     *  线性分类 Linear classifier
        
         *  Fisher的线性判别 Fisher's linear discriminant
         *  线性回归 Linear regression
         *  Logistic回归 Logistic regression
         *  多项Logistic回归 Multinomial logistic regression
         *  朴素贝叶斯分类器 Naive Bayes classifier
         *  感知 Perceptron
         *  支持向量机 Support vector machine
 *  无监督学习 Unsupervised learning
    
     *  人工神经网络 Artificial neural network
        
         *  对抗生成网络
         *  前馈神经网络 Feedforward neurral network
            
             *  极端学习机 Extreme learning machine
         *  逻辑学习机 Logic learning machine
         *  自组织映射 Self-organizing map
     *  关联规则学习 Association rule learning
        
         *  先验算法 Apriori algorithm
         *  Eclat算法 Eclat algorithm
         *  FP-growth算法 FP-growth algorithm
     *  分层聚类 Hierarchical clustering
        
         *  单连锁聚类 Single-linkage clustering
         *  概念聚类 Conceptual clustering
     *  聚类分析 Cluster analysis
        
         *  BIRCH
         *  DBSCAN
         *  期望最大化（EM） Expectation-maximization(EM)
         *  模糊聚类 Fuzzy clustering
         *  K-means算法 K-means algorithm
         *  k-均值聚类 K-means clustering
         *  k-位数 K-medians
         *  平均移 Mean-shift
         *  OPTICS算法 OPTICS algorithm
     *  异常检测 Anomaly detection
        
         *  k-最近邻算法（K-NN） k-nearest neighbors classification(K-NN)
         *  局部异常因子 Local outlier factor
 *  半监督学习 Semi-supervised learning
    
     *  生成模型 Generative models
     *  低密度分离 Low-density separation
     *  基于图形的方法 Graph-based methods
     *  联合训练 Co-training
 *  强化学习 Reinforcement learning
    
     *  时间差分学习 Temporal difference learning
     *  Q学习 Q-learning
     *  学习自动 Learning Automata
     *  状态-行动-回馈-状态-行动（SARSA） State-Action-Reward-State-Action(SARSA)
 *  深度学习 Deep learning
    
     *  深度信念网络 Deep belief machines
     *  深度卷积神经网络 Deep Convolutional neural networks
     *  深度递归神经网络 Deep Recurrent neural networks
     *  分层时间记忆 Hierarchical temporal memory
     *  深度玻尔兹曼机（DBM） Deep Boltzmann Machine(DBM)
     *  堆叠自动编码器 Stacked Boltzmann Machine
     *  生成式对抗网络 Generative adversarial networks
 *  迁移学习 Transfer learning
    
     *  传递式迁移学习 Transitive Transfer Learning
 *  其他
    
     *  集成学习算法
        
         *  Bootstrap aggregating (Bagging)
         *  AdaBoost
         *  梯度提升机（GBM） Gradient boosting machine(GBM)
         *  梯度提升决策树（GBRT） Gradient boosted decision tree(GBRT)
     *  降维
        
         *  主成分分析（PCA） Principal component analysis(PCA)
         *  主成分回归（PCR） Principal component regression(PCR)
         *  因子分析 Factor analysis

> 学习应当严谨，有不当场之处欢迎斧正。
> 
> 强力驱动 Wikipedia CSDN

# 2.人工智能相关趋势分析 #

## 2.1.人工智能再次登上历史舞台 ##

人工智能与大数据对比——当今人工智能高于大数据

![01\_b\_m][01_b_m]

\[数据来自Goolge trends\]

## 2.2.Python才是王道 ##

![01\_python][01_python]

\[数据来自Google trends\]

## 2.3.深度学习趋势大热 ##

![01\_ml\_dl][01_ml_dl]

\[数据来自Google trends\]

## 2.4.中国更爱深度学习 ##

![01\_ch\_dl][01_ch_dl]

\[数据来源-Google trends\]

# 3.结语 #

关于人工智能的一点感想，写在最后

> AI systems can’t model everything... AI needs to be robust to “unknown unknowns” \[Thomas G.Dietterich ,2017CCAI\]

中国自古有之

> “知之为知之，不知为不知，是知也”【出自《论语》】

人工智能已然是历史的第三波浪潮，堪称“工业4.0”，有突破性的成就，但也有未解之谜。真正创造一个有认知力的“生命”——还有很大的难度。希望此次浪潮会持续下去，创造出其真正的价值，而非商业泡沫。

大多数的我们发表不了顶级学术论文，开创不了先河。不要紧，沉下心，努力去实践。

人工智能路漫漫，却让我们的生活充满了机遇与遐想。

> 立志每周【周日】更新一篇“人工智能之机器学习”系列。[Github开源机器学习系列文章及算法源码][Github]

感谢CSDN的2017CCAI参会机遇与分享平台。

[Github]: https://github.com/wangxiaoleiAI/machine-learning
[01_ml_all]: /images/20220128/d094c7127a8c42e7ba4e7324615102d7.png
[01_b_m]: /images/20220128/f5c4ce1cc75f4a0f8f6c0aa26c0c0f5a.png
[01_python]: /images/20220128/736e0c927b3148ae90d8f921b684ae36.png
[01_ml_dl]: /images/20220128/27dc3e8b2e6340f496a04921004eae0c.png
[01_ch_dl]: /images/20220128/038bc7a5a1a74121bf89785a6d6ba9ba.png