機器學習概述
 |
| 機器學習與資料探勘 |
|---|
 |
以下是機器學習的概述和主題指南：
機器學習是計算機科學中人工智能的一個子領域，它使計算機系統能夠從數據中學習並改進功能及性能，而無需顯式編程。它源於對模式識別和計算學習理論的研究。[1] 1959年，亞瑟·李·塞謬爾將機器學習定義為「一門使計算機無需顯式編程即可學習的學科」。[2] 機器學習涉及對能夠從數據中學習並進行預測的算法的研究與構建。[3] 這些算法通過從一組示例觀察數據（即訓練集）構建一個數學模型，來進行數據驅動的預測或決策，而非嚴格遵循靜態程序指令。
機器學習是當代人工智能的基礎及核心驅動，推動着從搜尋引擎、推薦系統到自動駕駛、醫療診斷等眾多領域的革命性進展。
機器學習如何分類？
[編輯]- 一門學術學科
- 科學的一個分支
- 應用科學
- 計算機科學的一個子領域
- 人工智能的一個分支
- 軟計算的一個子領域
- 統計學的應用
- 計算機科學的一個子領域
- 應用科學
機器學習的範式
[編輯]機器學習的應用
[編輯]機器學習硬件
[編輯]機器學習工具
[編輯]- 深度學習軟件比較
機器學習框架
[編輯]專有機器學習框架
[編輯]- 亞馬遜機器學習
- 微軟Azure機器學習工作室
- DistBelief（已被TensorFlow取代）
開源機器學習框架
[編輯]- Apache Singa
- Apache MXNet
- Caffe
- PyTorch
- mlpack
- TensorFlow
- Torch
- CNTK
- Accord.NET|Accord.Net
- Jax
- MLJ.jl – 用於 Julia 的機器學習框架
機器學習庫
[編輯]機器學習算法
[編輯]- Almeida–Pineda 遞歸反向傳播
- ALOPEX
- 反向傳播
- 自舉聚合
- CN2 算法
- 構建技能樹
- Dehaene–Changeux 模型
- 擴散圖
- 基於支配關係的粗糙集方法
- 動態時間規整
- 錯誤驅動學習
- 進化多模態優化
- 期望最大化算法
- 快速ICA
- 前向-後向算法
- GeneRec
- 遺傳算法用於規則集生成
- 生長自組織映射
- 超基函數網絡
- IDistance
- k-最近鄰算法|『'k』'-最近鄰算法
- 核方法用於向量輸出
- 核主成分分析
- Leabra
- Linde–Buzo–Gray算法
- 局部異常因子
- 邏輯學習機
- LogitBoost
- 流形對齊
- 馬爾可夫鏈蒙特卡洛 (MCMC)
- 最小冗餘特徵選擇
- 專家混合模型
- 多核學習
- 非負矩陣分解
- 在線機器學習
- 袋外誤差
- 前額葉皮層基底核工作記憶
- PVLV
- Q學習
- 二次無約束二進制優化
- 查詢級特徵
- Quickprop
- 徑向基函數網絡
- 隨機加權多數投票算法
- 強化學習
- 重複增量修剪以減少誤差（RIPPER）
- Rprop
- 基於規則的機器學習
- 技能鏈
- 稀疏主成分分析
- 狀態-動作-獎勵-狀態-動作
- 隨機梯度下降
- 結構化kNN
- T分布隨機鄰域嵌入
- 時差學習
- 喚醒-睡眠算法
- 加權多數算法（機器學習）
機器學習方法
[編輯]實例基於算法
[編輯]- 邏輯回歸
- 普通最小二乘回歸 (OLSR)
- 線性回歸
- 逐步回歸
- 多變量自適應回歸樣條 (MARS)
- 正則化算法
- 嶺回歸
- 最小絕對收縮和選擇算子 (LASSO)
- 彈性網
- 最小角度回歸 (LARS)
- 分類器
降維
[編輯]- 典型相關分析 (CCA)
- 因子分析
- 特徵提取
- 特徵選擇
- 獨立成分分析 (ICA)
- 線性判別分析 (LDA)
- 多維尺度分析 (MDS)
- 非負矩陣分解 (NMF)
- 偏最小二乘回歸 (PLSR)
- 主成分分析 (PCA)
- 主成分回歸 (PCR)
- 投影追蹤
- 薩蒙映射
- t-分布隨機鄰域嵌入 (t-SNE)
集成學習
[編輯]元學習
[編輯]強化學習
[編輯]監督學習
[編輯]- 平均單依賴估計器 (AODE)
- 人工神經網絡
- 基於案例的推理
- 高斯過程回歸
- 基因表達編程
- 數據處理組方法 (GMDH)
- 歸納邏輯編程
- 實例基於學習
- 懶惰學習
- 學習自動機
- 學習向量量化
- 邏輯模型樹
- 最小消息長度（決策樹、決策圖等）
- 最近鄰算法
- 類比建模
- 可能近似正確學習（PAC）學習
- 級聯規則, 一種知識獲取方法
- 符號機器學習算法
- 支持向量機
- 隨機森林
- 分類器集合
- 自舉聚合（bagging）
- 提升（元算法）
- 有序分類
- 條件隨機場
- 方差分析
- 二次分類器
- k最近鄰
- 提升
- SPRINT
- 貝葉斯網絡
- 樸素貝葉斯
- 隱馬爾可夫模型
- 分層隱馬爾可夫模型
貝葉斯
[編輯]貝葉斯統計學
- 貝葉斯知識庫
- 樸素貝葉斯
- 高斯樸素貝葉斯
- 多項式樸素貝葉斯
- 平均單依賴估計器 (AODE)
- 貝葉斯信念網絡 (BBN)
- 貝葉斯網絡 (BN)
決策樹算法
[編輯]決策樹算法
線性分類器
[編輯]無監督學習
[編輯]人工神經網絡
[編輯]關聯規則學習
[編輯]- Apriori算法
- Eclat算法
- FP-growth算法
層次聚類
[編輯]- 單連結聚類
- 概念聚類
聚類分析
[編輯]- BIRCH
- DBSCAN
- 期望最大化 (EM)
- 模糊聚類
- 層次聚類
- 『'k』'-均值聚類
- k-中位數|『'k』'-中位數
- 均值漂移|均值漂移
- OPTICS算法
異常檢測
[編輯]- k-最近鄰算法|『'k』'-最近鄰算法 (『'k』'-NN)
- 局部異常因子
半監督學習
[編輯]深度學習
[編輯]- 深度信念網絡
- 深度玻爾茲曼機
- 深度卷積神經網絡
- 深度循環神經網絡
- 分層時序記憶
- 生成對抗網絡
- 風格遷移
- Transformer
- 堆疊自編碼器
其他機器學習方法與問題
[編輯]- 異常檢測
- 關聯規則
- 偏差-方差困境
- 分類
- 多標籤分類
- 聚類
- 數據預處理
- 經驗風險最小化
- 特徵工程
- 特徵學習
- 學習排序
- 奧卡姆學習
- 在線機器學習
- PAC學習
- 回歸
- 強化學習
- 半監督學習
- 統計學習
- 結構化預測
- 無監督學習
- VC理論
機器學習研究
[編輯]- 人工智能項目列表
- 機器學習研究數據集列表
機器學習歷史
[編輯]- 機器學習時間線
機器學習項目、組織、出版物及活動
[編輯]機器學習項目
[編輯]機器學習組織、出版物及活動
[編輯]參考資料
[編輯]- ^ http://www.britannica.com/EBchecked/topic/1116194/machine-learning [第三手來源]
- ^ Phil Simon. Too Big to Ignore: The Business Case for Big Data. Wiley. 2013年3月18日: 89. ISBN 978-1 -118-63817-0.
- ^ Ron Kohavi; Foster Provost. Glossary of terms. Machine Learning. 1998, 30: 271–274. doi:10.1023/A:1007411609915
.
