AI時代的機器學習算法

毋庸置疑，AI時代已到。作為AI的重要分支，機器學習在推薦系統、在線廣告、金融市場分析、計算機視覺、語言學、生物信息學等諸多領域都取得了巨大的成功。機器學習并不是像我們字面理解的那樣，讓冷冰冰的機器去學習，或者狹義的理解為讓機器人去學習。

機器學習，從本質上來說，可以理解為算法學習（Algorithm Learning）、模型學習（Model Learning）或者叫函數學習（Function Learning）。今天這個PPT將為大家詳細介紹機器學習-算法。文章末尾附本PPT下載。

監督學習算法 (Supervised Algorithms）:在監督學習訓練過程中，可以由訓練數據集學到或建立一個模式（函數 / learning model），并依此模式推測新的實例。該算法要求特定的輸入/輸出，首先需要決定使用哪種數據作為范例。例如，文字識別應用中一個手寫的字符，或一行手寫文字。主要算法包括神經網絡、支持向量機、最近鄰居法、樸素貝葉斯法、決策樹等。

無監督學習算法 (Unsupervised Algorithms):這類算法沒有特定的目標輸出，算法將數據集分為不同的組。

強化學習算法 (Reinforcement Algorithms):強化學習普適性強，主要基于決策進行訓練，算法根據輸出結果（決策）的成功或錯誤來訓練自己，通過大量經驗訓練優化后的算法將能夠給出較好的預測。類似有機體在環境給予的獎勵或懲罰的刺激下，逐步形成對刺激的預期，產生能獲得最大利益的習慣性行為。在運籌學和控制論的語境下，強化學習被稱作“近似動態規劃”（approximate dynamic programming，ADP）。

基本的機器學習算法：

線性回歸算法 Linear Regression

支持向量機算法 (Support Vector Machine,SVM)

最近鄰居/k-近鄰算法 (K-Nearest Neighbors,KNN)

邏輯回歸算法 Logistic Regression

決策樹算法 Decision Tree

k-平均算法 K-Means

隨機森林算法 Random Forest

樸素貝葉斯算法 Naive Bayes

降維算法 Dimensional Reduction

梯度增強算法 Gradient Boosting

Apriori算法

最大期望算法Expectation-Maximization algorithm, EM

PageRank算法