机器学习常见算法分类.pptVIP

学习方式 深度学习： 算法类似性 深度学习算法是对人工神经网络的发展。 在近期赢得了很多关注， 特别是百度也开始发力深度学习后， 更是在国内引起了很多关注。 在计算能力变得日益廉价的今天，深度学习试图建立大得多也复杂得多的神经网络。很多深度学习的算法是半监督式学习算法，用来处理存在少量未标识数据的大数据集。 常见的深度学习算法包括： 受限波尔兹曼机（Restricted Boltzmann Machine， RBN） Deep Belief Networks（DBN） 卷积网络（Convolutional Network） 堆栈式自动编码器（Stacked Auto-encoders） 学习方式 降低维度算法： 算法类似性 常见的算法包括： 像聚类算法一样，降低维度算法试图分析数据的内在结构，不过降低维度算法是以非监督学习的方式试图利用较少的信息来归纳或者解释数据。这类算法可以用于高维数据的可视化或者用来简化数据以便监督式学习使用。 主成份分析（Principle Component Analysis， PCA） 偏最小二乘回归（Partial Least Square Regression，PLS） Sammon映射 多维尺度（Multi-Dimensional Scaling, MDS） 投影追踪（Projection Pursuit）等 学习方式 集成算法： 算法类似性 常见的算法包括： 集成算法用一些相对较弱的学习模型独立地就同样的样本进行训练，然后把结果整合起来进行整体预测。集成算法的主要难点在于究竟集成哪些独立的较弱的学习模型以及如何把学习结果整合起来。这是一类非常强大的算法，同时也非常流行。 Boosting Bootstrapped Aggregation（Bagging） AdaBoost 堆叠泛化（Stacked Generalization， Blending） 梯度推进机（Gradient Boosting Machine, GBM） 随机森林（Random Forest）  Thanks! * * * 此处添加公司信息 LOGO LOGO 此处添加公司信息 LOGO 此处添加公司信息 LOGO 此处添加公司信息 LOGO 此处添加公司信息 LOGO 此处添加公司信息 LOGO 此处添加公司信息 LOGO 此处添加公司信息 LOGO 此处添加公司信息 LOGO 此处添加公司信息 LOGO 此处添加公司信息 LOGO 此处添加公司信息 LOGO 此处添加公司信息 机器学习常见算法分类汇总 机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里总结一下常见的机器学习算法，以供您在工作和学习中参考。 机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍： 机器学习常见算法分类汇总 二，算法的类似性 一、学习的方式 根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。 学习方式 监督式学习： 学习方式 在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1”、“2”，“3”、“4”等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。 监督式学习的常见应用场景如分类问题和回归问题。 常见算法: 逻辑回归（Logistic Regression） 反向传递神经网络（Back Propagation Neural Network） 非监督式学习： 学习方式 在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。 常见的应用场景包括关联规则的学习以及聚类等。 常见算法： Apriori算法 k-Means算法 半监督式学习： 学习方式 在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。 应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。如图论推理算法（Graph Inference）或者拉普拉斯支持向量机（Laplacian SVM.）等。 强化学习： 学习方式