機(jī)器學(xué)習(xí)作為一門多領(lǐng)域交叉學(xué)科，已經(jīng)存在很長時(shí)間了，但近些年才開始火熱起來。本文中列出了你需要知道的機(jī)器學(xué)習(xí)領(lǐng)域的算法，了解這些你就可以解決在機(jī)器學(xué)習(xí)中所遇到的任何問題。但這只是個(gè)覆蓋大部分基礎(chǔ)算法的清單，并不是全部。

回歸算法

回歸算法對(duì)變量之間的關(guān)系建模。最初是一種統(tǒng)計(jì)技術(shù)，它現(xiàn)在已經(jīng)成為每個(gè)機(jī)器學(xué)習(xí)工程師必須掌握的重要工具。

常見的回歸算法：

• 最小二乘回歸（Least Squares Regression）

• 線性回歸（Linear Regression）

• Logistic回歸（Logistic Regression）

回歸介紹視頻：https://www.coursera.org/learn/regression-models/lecture/Kz1eV/introduction-to-regression

聚類算法

聚類算法可以將數(shù)據(jù)點(diǎn)分到具有相似屬性的組中。他們通過查找數(shù)據(jù)中的固有結(jié)構(gòu)來將數(shù)據(jù)劃分到不同的組中。一個(gè)組中的事物屬性的關(guān)聯(lián)比其他組中的關(guān)聯(lián)的更密切。

聚類算法有硬聚類和軟聚類兩種類型。硬聚類是指數(shù)據(jù)點(diǎn)明確的完全屬于一個(gè)組或完全不屬于一個(gè)組。軟聚類是指一個(gè)數(shù)據(jù)點(diǎn)可以不同程度地屬于許多不同的組。

常見的聚類算法：

• K均值（K-means）

• 層次聚類（Hierarchical Clustering）

聚類介紹視頻：https://www.youtube.com/watch?v=ZueoXMgCd1c

降維算法

當(dāng)特征的數(shù)量與數(shù)據(jù)點(diǎn)的數(shù)量要大很多時(shí)。降維算法可以幫你將特征的數(shù)量減少到目前問題所需要的數(shù)量。他們可以刪除多余的特征，幫助你獲得更好的結(jié)果。

降維算法有兩種工作方法。第一種方法是通過特征選擇，算法選取可用特征的子集。第二種方法是特征提取，將高維空間中的數(shù)據(jù)壓到低維度。

常見的降維算法：

• 主成分分析（PCA）

• 低方差濾波（Low Variance Filter）

• 高相關(guān)濾波（High Correlation Filter）

• 隨機(jī)森林（Random Forests）

• 反向特征消除/前向特征構(gòu)造（Backward Feature Elimination / Forward Feature construction）

更多的內(nèi)容可以查看：https://www.kdnuggets.com/2015/05/7-methods-data-dimensionality-reduction.html

決策樹算法

決策樹創(chuàng)建一個(gè)根據(jù)數(shù)據(jù)做出決策的模型。在樹狀結(jié)構(gòu)中制作一個(gè)分叉，直到每個(gè)數(shù)據(jù)點(diǎn)都有對(duì)應(yīng)的預(yù)測(cè)。與其他深度學(xué)習(xí)的算法不同，它們的結(jié)果很容易理解，并且它們很容易在許多不同的數(shù)據(jù)類型中使用。

常見的決策樹算法：

• 分類和回歸樹（classification and regression tree）

• C4.5和C5.0

• 隨機(jī)森林（Random Forests）

• 卡方自動(dòng)交互檢測(cè)（CHAID）

推薦教程：https://www.analyticsvidhya.com/blog/2016/04/complete-tutorial-tree-based-modeling-scratch-in-python/

深度學(xué)習(xí)

機(jī)器學(xué)習(xí)和人工智能的概念是深度學(xué)習(xí)炒火的。他們是人造神經(jīng)網(wǎng)絡(luò)的現(xiàn)代版本，利用廉價(jià)的計(jì)算來訓(xùn)練更大的神經(jīng)網(wǎng)絡(luò)。它們證明了它們具有解決一些最難問題的能力。如AlphaGo。

常見深度學(xué)習(xí)：

• 棧式自編碼器（Stacked Auto-encoders）

• 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

• 遞歸神經(jīng)網(wǎng)絡(luò)（RNN）

• 膠囊網(wǎng)絡(luò)（Capsule Networks，https://hackernoon.com/what-is-a-capsnet-or-capsule-network-2bfbe48769cc）

推薦教程：https://www.safaribooksonline.com/library/view/deep-learning/9781491924570/ch04.html

本文為編譯文章，轉(zhuǎn)載請(qǐng)注明出處。