跳转到内容

机器学习概述

维基百科，自由的百科全书
机器学习与数据挖掘
范式
问题
聚类分析
降维
结构预测（英语：Structured prediction）
异常检测
人工神经网络
强化学习
与人类学习
模型诊断
数学基础
大会与出版物
相关条目

以下是机器学习的概述和主题指南：

机器学习是计算机科学中人工智能的一个子领域，它使计算机系统能够从数据中学习并改进功能及性能，而无需显式编程。它源于对模式识别和计算学习理论的研究。[1] 1959年，亚瑟·李·塞谬尔将机器学习定义为“一门使计算机无需显式编程即可学习的学科”。[2] 机器学习涉及对能够从数据中学习并进行预测的算法的研究与构建。[3] 这些算法通过从一组示例观察数据（即训练集）构建一个数学模型，来进行数据驱动的预测或决策，而非严格遵循静态程序指令。

机器学习是当代人工智能的基础及核心驱动，推动着从搜索引擎、推荐系统到自动驾驶、医疗诊断等众多领域的革命性进展。

机器学习如何分类？

[编辑]
  • 一门学术学科
  • 科学的一个分支
    • 应用科学
      • 计算机科学的一个子领域
        • 人工智能的一个分支
        • 软计算的一个子领域
        • 统计学的应用

机器学习的范式

[编辑]
  • 监督学习，即模型在标注数据上进行训练
  • 无监督学习，即模型试图在未标注数据中识别模式
  • 强化学习，即模型通过接收奖励或惩罚来学习做出决策。

机器学习的应用

[编辑]

机器学习硬件

[编辑]

机器学习工具

[编辑]
  • 深度学习软件比较

机器学习框架

[编辑]

专有机器学习框架

[编辑]

开源机器学习框架

[编辑]

机器学习库

[编辑]

机器学习算法

[编辑]
  • Almeida–Pineda 递归反向传播
  • ALOPEX
  • 反向传播
  • 自举聚合
  • CN2 算法
  • 构建技能树
  • Dehaene–Changeux 模型
  • 扩散图
  • 基于支配关系的粗糙集方法
  • 动态时间规整
  • 错误驱动学习
  • 进化多模态优化
  • 期望最大化算法
  • 快速ICA
  • 前向-后向算法
  • GeneRec
  • 遗传算法用于规则集生成
  • 生长自组织映射
  • 超基函数网络
  • IDistance
  • k-最近邻算法|‘'k’'-最近邻算法
  • 核方法用于向量输出
  • 核主成分分析
  • Leabra
  • Linde–Buzo–Gray算法
  • 局部异常因子
  • 逻辑学习机
  • LogitBoost
  • 流形对齐
  • 马尔可夫链蒙特卡洛 (MCMC)
  • 最小冗余特征选择
  • 专家混合模型
  • 多核学习
  • 非负矩阵分解
  • 在线机器学习
  • 袋外误差
  • 前额叶皮层基底核工作记忆
  • PVLV
  • Q学习
  • 二次无约束二进制优化
  • 查询级特征
  • Quickprop
  • 径向基函数网络
  • 随机加权多数投票算法
  • 强化学习
  • 重复增量修剪以减少误差（RIPPER）
  • Rprop
  • 基于规则的机器学习
  • 技能链
  • 稀疏主成分分析
  • 状态-动作-奖励-状态-动作
  • 随机梯度下降
  • 结构化kNN
  • T分布随机邻域嵌入
  • 时差学习
  • 唤醒-睡眠算法
  • 加权多数算法（机器学习）

机器学习方法

[编辑]

实例基于算法

[编辑]

回归分析

[编辑]

降维

[编辑]

降维

集成学习

[编辑]

集成学习

元学习

[编辑]

元学习

强化学习

[编辑]

强化学习

监督学习

[编辑]

监督学习

贝叶斯

[编辑]

贝叶斯统计学

  • 贝叶斯知识库
  • 朴素贝叶斯
  • 高斯朴素贝叶斯
  • 多项式朴素贝叶斯
  • 平均单依赖估计器 (AODE)
  • 贝叶斯信念网络 (BBN)
  • 贝叶斯网络 (BN)

决策树算法

[编辑]

决策树算法

线性分类器

[编辑]

线性分类器

无监督学习

[编辑]

无监督学习

人工神经网络

[编辑]

人工神经网络

关联规则学习

[编辑]

关联规则学习

层次聚类

[编辑]

层次聚类

  • 单链接聚类
  • 概念聚类

聚类分析

[编辑]

聚类分析

异常检测

[编辑]

异常检测

  • k-最近邻算法|‘'k’'-最近邻算法 (‘'k’'-NN)
  • 局部异常因子

半监督学习

[编辑]

半监督学习

深度学习

[编辑]

深度学习

其他机器学习方法与问题

[编辑]

机器学习研究

[编辑]
  • 人工智能项目列表
  • 机器学习研究数据集列表

机器学习历史

[编辑]

机器学习历史

  • 机器学习时间线

机器学习项目、组织、出版物及活动

[编辑]

机器学习项目

[编辑]

机器学习组织、出版物及活动

[编辑]

参考资料

[编辑]
  1. ^ http://www.britannica.com/EBchecked/topic/1116194/machine-learning [第三手来源]
  2. ^ 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. 
  3. ^ Ron Kohavi; Foster Provost. Glossary of terms. Machine Learning. 1998, 30: 271–274. doi:10.1023/A:1007411609915 可免费查阅. 
检索自“https://zh.wikipedia.org/w/index.php?title=机器学习概述&oldid=88133745”