?[[198836]]?

參加完2017CCAI，聽(tīng)完各位專家的演講后受益匪淺。立志寫(xiě)“人工智能之機(jī)器學(xué)習(xí)”系列，此為開(kāi)篇，主要梳理了機(jī)器學(xué)習(xí)算法體系，人工智能相關(guān)趨勢(shì)，Python與機(jī)器學(xué)習(xí)，以及結(jié)尾的一點(diǎn)感想。

Github開(kāi)源機(jī)器學(xué)習(xí)系列文章及算法源碼

1.人工智能之機(jī)器學(xué)習(xí)體系匯總

【直接上干貨】此處梳理出面向人工智能的機(jī)器學(xué)習(xí)方法體系，主要體現(xiàn)機(jī)器學(xué)習(xí)方法和邏輯關(guān)系，理清機(jī)器學(xué)習(xí)脈絡(luò)，后續(xù)文章會(huì)針對(duì)機(jī)器學(xué)習(xí)系列講解算法原理和實(shí)戰(zhàn)。抱著一顆嚴(yán)謹(jǐn)學(xué)習(xí)之心，有不當(dāng)之處歡迎斧正。

?? 

• 監(jiān)督學(xué)習(xí) Supervised learning

• 人工神經(jīng)網(wǎng)絡(luò) Artificial neural network

• 自動(dòng)編碼器 Autoencoder
• 反向傳播 Backpropagation
• 玻爾茲曼機(jī) Boltzmann machine
• 卷積神經(jīng)網(wǎng)絡(luò) Convolutional neural network
• Hopfield網(wǎng)絡(luò) Hopfield network
• 多層感知器 Multilayer perceptron
• 徑向基函數(shù)網(wǎng)絡(luò)(RBFN) Radial basis function network(RBFN)
• 受限玻爾茲曼機(jī) Restricted Boltzmann machine
• 回歸神經(jīng)網(wǎng)絡(luò)(RNN) Recurrent neural network(RNN)
• 自組織映射(SOM) Self-organizing map(SOM)
• 尖峰神經(jīng)網(wǎng)絡(luò) Spiking neural network

• 貝葉斯 Bayesian

• 樸素貝葉斯 Naive Bayes
• 高斯貝葉斯 Gaussian Naive Bayes
• 多項(xiàng)樸素貝葉斯 Multinomial Naive Bayes
• 平均一依賴性評(píng)估(AODE) Averaged One-Dependence Estimators(AODE)
• 貝葉斯信念網(wǎng)絡(luò)(BNN) Bayesian Belief Network(BBN)
• 貝葉斯網(wǎng)絡(luò)(BN) Bayesian Network(BN)

• 決策樹(shù) Decision Tree

• 分類和回歸樹(shù)(CART) Classification and regression tree (CART)
• 迭代Dichotomiser 3(ID3) Iterative Dichotomiser 3(ID3)
• C4.5算法 C4.5 algorithm
• C5.0算法 C5.0 algorithm
• 卡方自動(dòng)交互檢測(cè)(CHAID) Chi-squared Automatic Interaction Detection(CHAID)
• 決策殘端 Decision stump
• ID3算法 ID3 algorithm
• 隨機(jī)森林 Random forest
• SLIQ

• 線性分類 Linear classifier

• Fisher的線性判別 Fisher’s linear discriminant
• 線性回歸 Linear regression
• Logistic回歸 Logistic regression
• 多項(xiàng)Logistic回歸 Multinomial logistic regression
• 樸素貝葉斯分類器 Naive Bayes classifier
• 感知 Perceptron
• 支持向量機(jī) Support vector machine

• 無(wú)監(jiān)督學(xué)習(xí) Unsupervised learning

• 人工神經(jīng)網(wǎng)絡(luò) Artificial neural network

• 對(duì)抗生成網(wǎng)絡(luò)
• 前饋神經(jīng)網(wǎng)絡(luò) Feedforward neurral network
• 極端學(xué)習(xí)機(jī) Extreme learning machine
• 邏輯學(xué)習(xí)機(jī) Logic learning machine
• 自組織映射 Self-organizing map

• 關(guān)聯(lián)規(guī)則學(xué)習(xí) Association rule learning

• 先驗(yàn)算法 Apriori algorithm
• Eclat算法 Eclat algorithm
• FP-growth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算法 K-means algorithm
• k-均值聚類 K-means clustering
• k-位數(shù) K-medians
• 平均移 Mean-shift
• OPTICS算法 OPTICS algorithm

• 異常檢測(cè) Anomaly detection

• k-最近鄰算法(K-NN) k-nearest neighbors classification(K-NN)
• 局部異常因子 Local outlier factor

• 半監(jiān)督學(xué)習(xí) Semi-supervised learning

• 生成模型 Generative models
• 低密度分離 Low-density separation
• 基于圖形的方法 Graph-based methods
• 聯(lián)合訓(xùn)練 Co-training

• 強(qiáng)化學(xué)習(xí) Reinforcement learning

• 時(shí)間差分學(xué)習(xí) Temporal difference learning
• Q學(xué)習(xí) Q-learning
• 學(xué)習(xí)自動(dòng) Learning Automata
• 狀態(tài)-行動(dòng)-回饋-狀態(tài)-行動(dòng)(SARSA) State-Action-Reward-State-Action(SARSA)

• 深度學(xué)習(xí) Deep learning

• 深度信念網(wǎng)絡(luò) Deep belief machines
• 深度卷積神經(jīng)網(wǎng)絡(luò) Deep Convolutional neural networks
• 深度遞歸神經(jīng)網(wǎng)絡(luò) Deep Recurrent neural networks
• 分層時(shí)間記憶 Hierarchical temporal memory
• 深度玻爾茲曼機(jī)(DBM) Deep Boltzmann Machine(DBM)
• 堆疊自動(dòng)編碼器 Stacked Boltzmann Machine
• 生成式對(duì)抗網(wǎng)絡(luò) Generative adversarial networks

• 遷移學(xué)習(xí) Transfer learning

• 傳遞式遷移學(xué)習(xí) Transitive Transfer Learning

• 其他

• 集成學(xué)習(xí)算法

• Bootstrap aggregating (Bagging)
• AdaBoost
• 梯度提升機(jī)(GBM) Gradient boosting machine(GBM)
• 梯度提升決策樹(shù)(GBRT) Gradient boosted decision tree(GBRT)

• 降維

• 主成分分析(PCA) Principal component analysis(PCA)
• 主成分回歸(PCR) Principal component regression(PCR)
• 因子分析 Factor analysis

學(xué)習(xí)應(yīng)當(dāng)嚴(yán)謹(jǐn)，有不當(dāng)場(chǎng)之處歡迎斧正。

強(qiáng)力驅(qū)動(dòng) Wikipedia CSDN

2.人工智能相關(guān)趨勢(shì)分析

2.1.人工智能再次登上歷史舞臺(tái)

人工智能與大數(shù)據(jù)對(duì)比——當(dāng)今人工智能高于大數(shù)據(jù)

?? 

[數(shù)據(jù)來(lái)自Goolge trends]

2.2.Python才是王道

?? 

[數(shù)據(jù)來(lái)自Google trends]

2.3.深度學(xué)習(xí)趨勢(shì)大熱

?? 

[數(shù)據(jù)來(lái)自Google trends]

2.4.中國(guó)更愛(ài)深度學(xué)習(xí)

3.結(jié)語(yǔ)

關(guān)于人工智能的一點(diǎn)感想，寫(xiě)在最后

AI systems can’t model everything… AI needs to be robust to “unknown unknowns” [Thomas G.Dietterich ,2017CCAI]

中國(guó)自古有之

“知之為知之，不知為不知，是知也?！薄境鲎浴墩撜Z(yǔ)》】

人工智能已然是歷史的第三波浪潮，堪稱“工業(yè)4.0”，目前有突破性的成就，但也有未解之謎。真正創(chuàng)造一個(gè)有認(rèn)知力的“生命”——還有很大的難度。希望此次浪潮會(huì)持續(xù)下去，創(chuàng)造出其真正的價(jià)值，而非商業(yè)泡沫。

大多數(shù)的我們發(fā)表不了頂級(jí)學(xué)術(shù)論文，開(kāi)創(chuàng)不了先河。不要緊，沉下心，努力去實(shí)踐。

人工智能路漫漫，卻讓我們的生活充滿了機(jī)遇與遐想。