AI時(shí)代的機(jī)器學(xué)習(xí)算法

毋庸置疑，AI時(shí)代已到。作為AI的重要分支，機(jī)器學(xué)習(xí)在推薦系統(tǒng)、在線廣告、金融市場(chǎng)分析、計(jì)算機(jī)視覺(jué)、語(yǔ)言學(xué)、生物信息學(xué)等諸多領(lǐng)域都取得了巨大的成功。機(jī)器學(xué)習(xí)并不是像我們字面理解的那樣，讓冷冰冰的機(jī)器去學(xué)習(xí)，或者狹義的理解為讓機(jī)器人去學(xué)習(xí)。

機(jī)器學(xué)習(xí)，從本質(zhì)上來(lái)說(shuō)，可以理解為算法學(xué)習(xí)（Algorithm Learning）、模型學(xué)習(xí)（Model Learning）或者叫函數(shù)學(xué)習(xí)（Function Learning）。今天這個(gè)PPT將為大家詳細(xì)介紹機(jī)器學(xué)習(xí)-算法。文章末尾附本PPT下載。

監(jiān)督學(xué)習(xí)算法 (Supervised Algorithms）:在監(jiān)督學(xué)習(xí)訓(xùn)練過(guò)程中，可以由訓(xùn)練數(shù)據(jù)集學(xué)到或建立一個(gè)模式（函數(shù) / learning model），并依此模式推測(cè)新的實(shí)例。該算法要求特定的輸入/輸出，首先需要決定使用哪種數(shù)據(jù)作為范例。例如，文字識(shí)別應(yīng)用中一個(gè)手寫的字符，或一行手寫文字。主要算法包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、最近鄰居法、樸素貝葉斯法、決策樹等。

無(wú)監(jiān)督學(xué)習(xí)算法 (Unsupervised Algorithms):這類算法沒(méi)有特定的目標(biāo)輸出，算法將數(shù)據(jù)集分為不同的組。

強(qiáng)化學(xué)習(xí)算法 (Reinforcement Algorithms):強(qiáng)化學(xué)習(xí)普適性強(qiáng)，主要基于決策進(jìn)行訓(xùn)練，算法根據(jù)輸出結(jié)果（決策）的成功或錯(cuò)誤來(lái)訓(xùn)練自己，通過(guò)大量經(jīng)驗(yàn)訓(xùn)練優(yōu)化后的算法將能夠給出較好的預(yù)測(cè)。類似有機(jī)體在環(huán)境給予的獎(jiǎng)勵(lì)或懲罰的刺激下，逐步形成對(duì)刺激的預(yù)期，產(chǎn)生能獲得最大利益的習(xí)慣性行為。在運(yùn)籌學(xué)和控制論的語(yǔ)境下，強(qiáng)化學(xué)習(xí)被稱作“近似動(dòng)態(tài)規(guī)劃”（approximate dynamic programming，ADP）。

基本的機(jī)器學(xué)習(xí)算法：

線性回歸算法 Linear Regression

支持向量機(jī)算法 (Support Vector Machine,SVM)

最近鄰居/k-近鄰算法 (K-Nearest Neighbors,KNN)

邏輯回歸算法 Logistic Regression

決策樹算法 Decision Tree

k-平均算法 K-Means

隨機(jī)森林算法 Random Forest

樸素貝葉斯算法 Naive Bayes

降維算法 Dimensional Reduction

梯度增強(qiáng)算法 Gradient Boosting

Apriori算法

最大期望算法Expectation-Maximization algorithm, EM

PageRank算法