机器学*?深度学*?人工智能?这都是些什么
机器学*
Machine Learning
机器学*是人工智能的一个分支。人工智能的研究是从以“推理”为重点到以“知识”为重点,再到以“学*”为重点,一条自然、清晰的脉络。显然,机器学*是实现人工智能的一个途径,即以机器学*为手段解决人工智能中的问题。机器学*在*30多年已发展为一门多领域交叉学科,涉及概率论、统计学、逼*论、凸分析、计算复杂性理论等多门学科。机器学*理论主要是设计和分析一些让计算机可以自动“学*”的算法。机器学*算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学*算法中涉及了大量的统计学理论,机器学*与推断统计学联系尤为密切,也被称为统计学*理论。
分类
- 监督学*: 带有人为标注信息。 常见算法有回归分析和统计分类
- 无监督学*: 不带有人为标注信息。 常见算法有聚类
- 半监督学*:介于两者之间
- 增强学*:通过观察来学*做成如何的动作。每个动作都会对环境有所影响,学*对象根据观察到的周围环境的反馈来做出判断。
具体算法
- 构造间隔理论分布:聚类分析和模式识别
- 人工神经网络
- 决策树
- 感知器
- 支持向量机
- 集成学*AdaBoost
- 降维与度量学*
- 聚类
- 贝叶斯分类器
- 构造条件概率:回归分析和统计分类
- 高斯过程回归
- 线性判别分析
- 最*邻居法
- 径向基函数核
- 通过再生模型构造概率密度函数
- 最大期望算法
- 概率图模型:包括贝叶斯网和Markow随机场
- Generative Topographic Mapping