第一章人工智慧之機器學習演算法體系彙總
阿新 • • 發佈：2019-01-01
參加完2017CCAI，聽完各位專家的演講後受益匪淺。立志寫“人工智慧之機器學習”系列，此為開篇，主要梳理了機器學習演算法體系，人工智慧相關趨勢，Python與機器學習，以及結尾的一點感想。
1.人工智慧之機器學習體系彙總
【直接上乾貨】此處梳理出面向人工智慧的機器學習方法體系，主要體現機器學習方法和邏輯關係，理清機器學習脈絡，後續文章會針對機器學習系列講解演算法原理和實戰。抱著一顆嚴謹學習之心，有不當之處歡迎斧正。
- 監督學習 Supervised learning
- 人工神經網路 Artificial neural network
- 自動編碼器 Autoencoder
- 反向傳播 Backpropagation
- 玻爾茲曼機 Boltzmann machine
- 卷積神經網路 Convolutional neural network
- Hopfield網路 Hopfield network
- 多層感知器 Multilayer perceptron
- 徑向基函式網路（RBFN） Radial basis function network(RBFN)
- 受限玻爾茲曼機 Restricted Boltzmann machine
- 迴歸神經網路（RNN） Recurrent neural network(RNN)
- 自組織對映（SOM） Self-organizing map(SOM)
- 尖峰神經網路 Spiking neural network
- 貝葉斯 Bayesian
- 樸素貝葉斯 Naive Bayes
- 高斯貝葉斯 Gaussian Naive Bayes
- 多項樸素貝葉斯 Multinomial Naive Bayes
- 平均一依賴性評估（AODE） Averaged One-Dependence Estimators(AODE)
- 貝葉斯信念網路（BNN） Bayesian Belief Network(BBN)
- 貝葉斯網路（BN） Bayesian Network(BN)
- 決策樹 Decision Tree
- 分類和迴歸樹（CART） Classification and regression tree (CART)
- 迭代Dichotomiser 3（ID3） Iterative Dichotomiser 3(ID3)
- C4.5演算法 C4.5 algorithm
- C5.0演算法 C5.0 algorithm
- 卡方自動互動檢測（CHAID） Chi-squared Automatic Interaction Detection(CHAID)
- 決策殘端 Decision stump
- ID3演算法 ID3 algorithm
- 隨機森林 Random forest
- SLIQ
- 線性分類 Linear classifier
- Fisher的線性判別 Fisher’s linear discriminant
- 線性迴歸 Linear regression
- Logistic迴歸 Logistic regression
- 多項Logistic迴歸 Multinomial logistic regression
- 樸素貝葉斯分類器 Naive Bayes classifier
- 感知 Perceptron
- 支援向量機 Support vector machine
- 人工神經網路 Artificial neural network
- 無監督學習 Unsupervised learning
- 人工神經網路 Artificial neural network
- 對抗生成網路
- 前饋神經網路 Feedforward neurral network
- 極端學習機 Extreme learning machine
- 邏輯學習機 Logic learning machine
- 自組織對映 Self-organizing map
- 關聯規則學習 Association rule learning
- 先驗演算法 Apriori algorithm
- Eclat演算法 Eclat algorithm
- FP-growth演算法 FP-growth algorithm
- 分層聚類 Hierarchical clustering
- 單連鎖聚類 Single-linkage clustering
- 概念聚類 Conceptual clustering
- 聚類分析 Cluster analysis
- BIRCH
- DBSCAN
- 期望最大化（EM） Expectation-maximization(EM)
- 模糊聚類 Fuzzy clustering
- K-means演算法 K-means algorithm
- k-均值聚類 K-means clustering
- k-位數 K-medians
- 平均移 Mean-shift
- OPTICS演算法 OPTICS algorithm
- 異常檢測 Anomaly detection
- k-最近鄰演算法（K-NN） k-nearest neighbors classification(K-NN)
- 區域性異常因子 Local outlier factor
- 人工神經網路 Artificial neural network
- 半監督學習 Semi-supervised learning
- 生成模型 Generative models
- 低密度分離 Low-density separation
- 基於圖形的方法 Graph-based methods
- 聯合訓練 Co-training
- 強化學習 Reinforcement learning
- 時間差分學習 Temporal difference learning
- Q學習 Q-learning
- 學習自動 Learning Automata
- 狀態-行動-回饋-狀態-行動（SARSA） State-Action-Reward-State-Action(SARSA)
- 深度學習 Deep learning
- 深度信念網路 Deep belief machines
- 深度卷積神經網路 Deep Convolutional neural networks
- 深度遞迴神經網路 Deep Recurrent neural networks
- 分層時間記憶 Hierarchical temporal memory
- 深度玻爾茲曼機（DBM） Deep Boltzmann Machine(DBM)
- 堆疊自動編碼器 Stacked Boltzmann Machine
- 生成式對抗網路 Generative adversarial networks
- 遷移學習 Transfer learning
- 傳遞式遷移學習 Transitive Transfer Learning
- 其他
- 整合學習演算法
- Bootstrap aggregating (Bagging)
- AdaBoost
- 梯度提升機（GBM） Gradient boosting machine(GBM)
- 梯度提升決策樹（GBRT） Gradient boosted decision tree(GBRT)
- 降維
- 主成分分析（PCA） Principal component analysis(PCA)
- 主成分迴歸（PCR） Principal component regression(PCR)
- 因子分析 Factor analysis
- 整合學習演算法
學習應當嚴謹，有不當場之處歡迎斧正。
強力驅動 Wikipedia CSDN
2.人工智慧相關趨勢分析
2.1.人工智慧再次登上歷史舞臺
人工智慧與大資料對比——當今人工智慧高於大資料
[資料來自Goolge trends]
2.2.Python才是王道
[資料來自Google trends]
2.3.深度學習趨勢大熱
[資料來自Google trends]
2.4.中國更愛深度學習
[資料來源-Google trends]
3.結語
關於人工智慧的一點感想，寫在最後
AI systems can’t model everything… AI needs to be robust to “unknown unknowns” [Thomas G.Dietterich ,2017CCAI]
中國自古有之
“知之為知之，不知為不知，是知也。”【出自《論語》】
人工智慧已然是歷史的第三波浪潮，堪稱“工業4.0”，目前有突破性的成就，但也有未解之謎。真正創造一個有認知力的“生命”——還有很大的難度。希望此次浪潮會持續下去，創造出其真正的價值，而非商業泡沫。
大多數的我們發表不了頂級學術論文，開創不了先河。不要緊，沉下心，努力去實踐。
人工智慧路漫漫，卻讓我們的生活充滿了機遇與遐想。
感謝CSDN的2017CCAI參會機遇與分享平臺。