机器学习算法分类

1 ML定义与应用场景

1.1 定义

• 机器通过分析大量数据来进行学习，发现数据之间的相关性，并做出预测。
• 机器学习最主要的任务是分类和回归。

1.2 应用场景

• 模式识别
• 计算机视觉
• 数据挖掘
• 语音识别
• 自然语言处理

2 ML算法分类

• 机器学习按照学习方式分为四类：有监督学习、无监督学习、半监督学习、强化学习。

2.1 有监督学习

• 条件：输入(训练集)、输出(标识)、测试数据(测试集)
• 结果：训练出最优模型
• 原理：通过已有的训练样本(已知输入与输出)去训练得到一个最优模型，再利用这个模型将所有的输入映射为相应输出，对输出进行判断从而实现对未知数据的分类。

2.2 无监督学习

• 条件：输入(数据)
• 结果：输出训练模型
• 工作原理：无任何训练样本，需要直接对数据进行建模、分类，找出数据内部的关联和模式。

2.3 半监督学习

• 条件：输入数据部分被标识，部分数据未标识
• 结果：输出训练模型
• 工作原理：训练一部分数据为生成数据，一部分数据为监督数据，算法分为生成器和判定器两部分，生成器的目标是使判定器接受自己的数据，判定器是为了最大可能的区分生成数据和监督数据，通过不断的训练使两者都达到最佳性能。

2.4 强化学习

• 条件：输入(数据)
• 结果：输出训练模型
• 工作原理：输入数据作为对模型的反馈，输入数据仅作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻做出调整。

3 算法分类

学习方式	算法
有监督学习	临近算法(KNN)、线性回归(Linear regression)、逻辑回归(Logistic regression)、朴素贝叶斯分类算法(Navie Bayes)、决策树(Decision trees)、随机森林(Random Forests)、AdaBoost算法(AdaBoost)、神经网络(Neural networks)
无监督学习	K-means算法、Fuzzy K-means算法、迭代型K-means算法、合并法(系统聚类)、分裂法(分解聚类)
半监督学习	GANs(生成式对抗网络算法)
强化学习	瞬时查分算法(Tempporal Difference Algorithm)Q-学习算法(Q-Learning Algorithm)、Sarsa算法、Dyan算法、R学习算法(R-Learning Algorithm)、H学习、马尔科夫决策过程、AlphaGo+Zero、蒙特卡洛算法

---

温馨提示：

人工智能，永久更新

---