机器学习算法 总结,

摘要： 大家好，今天小编关注到一个比较有意思的话题，就是关于机器学习算法 总结的问题，于是小编就整理了2个相关介绍机器学习算法 总结的解答，让我们一起看看吧。机器学习算法有哪些？机器学习初...

大家好，今天小编关注到一个比较有意思的话题，就是关于机器学习算法 总结的问题，于是小编就整理了2个相关介绍机器学习算法 总结的解答，让我们一起看看吧。

1. 机器学习算法有哪些？
2. 机器学习初学者需要了解的基本算法有哪些？

机器学习算法有哪些？

机器学习算法有很多，参考《机器学习》（周志华），著名西瓜书的目录：

第一章 绪论

第二章 模型评估与选择

第三章 线性模型

第四章 决策树

第五章 神经网络

第六章 支持向量机

第七章 贝叶斯分类器

第八章 集成学习

第九章 聚类

这个你看你要做什么了，如果要做机器视觉，那就要掌握opencv,深度学习中的卷积神经网络。如果要做语音识别，循环神经网络，马尔科夫链，概率论的知识都要有，还有推荐算法工程师，数据挖掘工程师等等，你先明确一个方向，然后再去选择学什么，如果你是快要毕业找工作，我推荐你看两本书，李航的《统计学习方法》和周志华的《机器学习》

机器学习初学者需要了解的基本算法有哪些？

在这里简单做一个总结，具体内容可以到作者主页查看。

回归分析方法

包括简单线性回归；简单多项式回归；多元线性回归；多元多项式回归；多变量回归；Logistic逻辑回归；Poison泊松回归；Cox比例风险回归等。

无监督聚类算法

包括K-means聚类，K-中心点聚类，SOM神经网络聚类等。

有监督分类算法

包括贝叶斯分类算法，ID3决策树分类算法，C4.5决策树分类算法，CART决策树分类算法，支持向量机分类算法等。

神经网络和深度学习算法

包括BP神经网络算法，自编码神经网络算法，受限波尔兹曼机算法，卷积神经网络算法，循环神经网络算法，递归神经网络算法等。

其他常用算法

关联规则挖掘Apriori算法等。除此之外一些常用的数据分析方法也需要有一定了解，比如方差分析，相关分析等。

Machine learning and Deepleaning 都要数学理论的基础。

比如概率论，线代，微积分。

Coursera上就要很多ml&dl的课程。

比如台湾大学的机器学习基石课程。

这些比较前沿的技术英语是非常重要的，外国很多mooc课程。

机器学习主要有以下算法需要初学者掌握：线性回归算法 Linear Regression、支持向量机算法 (Support Vector Machine,SVM)、最近邻居/k-近邻算法 (K-Nearest Neighbors,KNN)、逻辑回归算法 Logistic Regression、决策树算法 Decision Tree、k-平均算法 K-Means、随机森林算法 Random Forest、朴素贝叶斯算法 Naive Bayes、降维算法 Dimensional Reduction、梯度增强算法 Gradient Boosting

到此，以上就是小编对于机器学习算法 总结的问题就介绍到这了，希望介绍关于机器学习算法 总结的2点解答对大家有用。