机器学习作为一门多领域交叉学科,已经存在很长时间了,但近些年才开始火热起来。本文中列出了你需要知道的机器学习领域的算法,了解这些你就可以解决在机器学习中所遇到的任何问题。但这只是个覆盖大部分基础算法的清单,并不是全部。 回归算法回归算法对变量之间的关系建模。最初是一种统计技术,它现在已经成为每个机器学习工程师必须掌握的重要工具。 常见的回归算法:
回归介绍视频:https://www./learn/regression-models/lecture/Kz1eV/introduction-to-regression 聚类算法聚类算法可以将数据点分到具有相似属性的组中。他们通过查找数据中的固有结构来将数据划分到不同的组中。一个组中的事物属性的关联比其他组中的关联的更密切。 聚类算法有硬聚类和软聚类两种类型。硬聚类是指数据点明确的完全属于一个组或完全不属于一个组。软聚类是指一个数据点可以不同程度地属于许多不同的组。 常见的聚类算法:
聚类介绍视频:https://www./watch?v=ZueoXMgCd1c 降维算法当特征的数量与数据点的数量要大很多时。降维算法可以帮你将特征的数量减少到目前问题所需要的数量。他们可以删除多余的特征,帮助你获得更好的结果。 降维算法有两种工作方法。第一种方法是通过特征选择,算法选取可用特征的子集。第二种方法是特征提取,将高维空间中的数据压到低维度。 常见的降维算法:
更多的内容可以查看:https://www./2015/05/7-methods-data-dimensionality-reduction.html 决策树算法决策树创建一个根据数据做出决策的模型。在树状结构中制作一个分叉,直到每个数据点都有对应的预测。与其他深度学习的算法不同,它们的结果很容易理解,并且它们很容易在许多不同的数据类型中使用。 常见的决策树算法:
推荐教程:https://www./blog/2016/04/complete-tutorial-tree-based-modeling-scratch-in-python/ 深度学习机器学习和人工智能的概念是深度学习炒火的。他们是人造神经网络的现代版本,利用廉价的计算来训练更大的神经网络。它们证明了它们具有解决一些最难问题的能力。如AlphaGo。 常见深度学习:
推荐教程:https://www./library/view/deep-learning/9781491924570/ch04.html 本文为编译文章,转载请注明出处。 |
|
来自: 庆亮trj21bcn0z > 《编程》