一、主成分分析（PCA Principal components analysis）
PCA 无监督降维技术
降维的标准是：样本点到这个超平面的距离足够近，或者说样本点在这个超平面上尽可能的分开
二、线性判别分析（Linear Discriminant Analysis LDA)
LDA 监督学习降维技术
投影后类内方差最小，类间方差最大
三、共轭梯度算法
共轭梯度法具有所需的存储量小，收敛快，稳定性高的优点
四、Batch Normalization
深度学习（二十九）Batch Normalization 学习笔记
归一化+变换重构
五、生成模型与判别模型
生成模型有：混合高斯模型，朴素贝叶斯模型，马尔科夫模型，求出P(X,Y)
判别模型有：k近邻，支持向量机，条件随机场，逻辑斯蒂回归，决策树，提升方法，最大熵模型，求出P(Y|X)
文档频率，互信息方法，信息增益法，卡方检验法，加权对数似然，加权频率和可能性
基于核的机器学习算法有：LDA(linear discriminate analysis),SVM(support vector machine),RBF（radial basis function）