Atitit 机器学习算法分类 五大分类v5 t56.docx
Atitit 机器学习算法分类
目录
1.1. 传统的机器学习算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。 2
4.1. 包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等 3
5.1. 符号主义——逻辑学、哲学——逆向演绎 (决策树 3
5.2. 贝叶斯派——统计学——概率推理 马尔科夫 回归 4
5.3. 行为类推主义——心理学——新旧知识相似性 SVM KNN 4
6.2. 支持向量机 11朴素贝叶斯 14K近邻算法 17 5
6.3. K均值算法 19Adaboost 22神经网络 24马尔科夫 25 5
根据学习方法可以将机器学习分为传统机器学习和深度学习
Atitit 常见机器学习算法总结
这篇文章将对常用算法做常识性的介绍
深度学习
通常,“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。计算机需要不断从解决一类问题的经验中获取知识,学习策略,在遇到类似的问题时,运用经验知识解决问题并积累新的经验,就像普通人一样。我们可以将这样的学习方式称之为“连续型学习”。但人类除了会从经验中学习之外,还会创造,即“跳跃型学习”。这在某些情形下被称为“灵感”或“顿悟”。一直以来,计算机最难学会的就是“顿悟”。或者再严格一些来说,计算机在学习和“实践”方面难以学会“不依赖于量变的质变”,很难从一种“质”直接到另一种“质”,或者从一个“概念”直接到另一个“概念”。正因为如此,这里的“实践”并非同人类一样的实践。人类的实践过程同时包括经验和创造
人工神经网络是一类受生物神经网络的结构及/或功能启发而来的模型
深度学习算法是人工神经网络的升级版,充分利用廉价的计算力
-
- 符号主义——逻辑学、哲学——逆向演绎 (决策树
相信填补现有知识的空白的
-
- 贝叶斯派——统计学——概率推理 马尔科夫 回归
-
- 行为类推主义——心理学——新旧知识相似性 SVM KNN
行为类比主义(Analogizer) knn svm 新旧知识间的相似性
-
- 联结主义——神经科学——反向传播
希望从大脑运行方式得到启发
-
- 进化主义——进化生物学——遗传编码
遗传算法
图解十大经典机器学习算法入门 - jrunw的博客 - CSDN博客.html
(1条消息)【干货】机器学习常用 35 大算法盘点(附思维导图) - java、c++、机器学习方向King - CSDN博客.html
(1条消息)7个最好的Java机器学习开发库 - IT派 - CSDN博客.html
(1条消息)6大最常用的Java机器学习库一览 - 智者之家 - CSDN博客.html
Atitit 机器学习的五大分类与应用.docx