[转]算法的简单归类。大数据常用算法

无论是机器学习、模式识别、数据挖掘、统计学习、计算机视觉、语音识别、自然语言处理都涉及到算法。


1.树:决策树(Decision Tree)是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度,使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。

ID3算法: 网页链接

决策树: 网页链接

基于 R 语言和 SPSS 的决策树算法介绍及应用:网页链接

 

机器学习从入门到放弃之决策树算法:网页链接

算法杂货铺——分类算法之决策树(Decision tree):网页链接

集体智慧编程——决策树建模(上):网页链接

集体智慧编程——决策树建模(下):网页链接


2.回归:在大部分机器学习课程中,回归算法都是介绍的第一个算法。原因有两个:一.回归算法比较简单,介绍它可以让人平滑地从统计学迁移到机器学习中。二.回归算法是后面若干强大算法的基石,如果不理解回归算法,无法学习那些强大的算法。回归算法有两个重要的子类:即线性回归和逻辑回归。

这七种回归分析技术,学了不后悔~:网页链接

说说高斯过程回归:网页链接

简单的R逻辑回归向导:网页链接


3.贝叶斯:贝叶斯定理用于投资、决策、分析是在已知相关项目B的资料,而缺乏论证项目A的直接资料时,通过对B项目的有关状态及发生概率分析推导A项目的状态及发生概率。贝叶斯公式(发表于1763年)为: P(H[i]/A)=P(H[i])*P(A│H[i]) / {P(H[1])*P(A│H[1]) +P(H[2])*P(A│H[2])+…+P(H[n])*P(A│H[n])}

算法杂货铺——分类算法之贝叶斯网络(Bayesian networks):网页链接

算法杂货铺——分类算法之朴素贝叶斯分类(Naive Bayesian classification):网页链接

朴素贝叶斯法:网页链接

多种贝叶斯模型构建及文本分类的实现:网页链接

朴素贝叶斯分类之垃圾短信识别:网页链接

R语言与数据分析之三:分类算法1:网页链接


4 svm:支持向量机算法是诞生于统计学习界,同时在机器学习界大放光彩的经典算法。

支持向量机:网页链接


5 神经网络:神经网络(也称之为人工神经网络,ANN)算法是80年代机器学习界非常流行的算法,不过在90年代中途衰落。现在,携着“深度学习”之势,神经网络重装归来,重新成为最强大的机器学习算法之一,在这基础上有RNN,CNN等。

反向传播神经网络极简入门:网页链接

 

递归神经网络(RNN)在语义识别方面的应用: 网页链接

BP神经网络模型与学习算法:  网页链接


6 聚类–KNN ,k-means, EM等:

k近邻法(knn):网页链接

Python实战之KNN实现:网页链接

算法杂货铺——k均值聚类(K-means):网页链接

EM算法: 网页链接


7 降维:很多算法中,降维算法成为了数据预处理的一部分,如PCA。事实上,有一些算法如果没有降维预处理,其实是很难得到很好的效果的。

四大机器学习降维算法:PCA、LDA、LLE、Laplacian Eigenmaps  网页链接


 

8 关联规则算法:关联算法是数据挖掘中的一类重要算法。1993年,R.Agrawal等人首次提出了挖掘顾客交易数据中项目集间的关联规则问题,其核心是基于两阶段频繁集思想的递推算法。该关联规则在分类上属于单维、单层及布尔关联规则,典型的算法是Aprior算法。

FP_growth算法:网页链接

关联规则之Aprior算法(购物篮分析):网页链接


9 推荐算法大致可以分为三类:基于内容的推荐算法、协同过滤推荐算法和基于知识的推荐算法。

 

探索推荐引擎内部的秘密,第 1 部分: 推荐引擎初探:网页链接

探索推荐引擎内部的秘密,第 2 部分: 深入推荐引擎相关算法 – 协同过滤:网页链接

探索推荐引擎内部的秘密,第 3 部分: 深入推荐引擎相关算法 – 聚类:网页链接

 


其它

 

社区划分——Label Propagatio:网页链接

感知机:网页链接

一文搞懂HMM(隐马尔可夫模型):网页链接

 

转载请注明:人人都是数据咖 » 算法的简单归类–看完这些顿时感觉算法不再那么神秘了

posted @ 2017-04-01 16:41  jason_zhangz  阅读(11115)  评论(0编辑  收藏  举报