机器学习概述.docx

《机器学习概述.docx》由会员分享，可在线阅读，更多相关《机器学习概述.docx（11页珍藏版）》请在优知文库上搜索。

1、机器学习概述什么是机器学习机器学习是人工智能的子集，也是弱人工智能的 一种实现方式。机器学习算法是一类从数据中自 动分析获得规律和模式，并利用规律对未知数据 进行预测的算法。机器学习算法中涉及了大量的 统计学理论，机器学习与统计推断学联系尤为密 切，也被称为统计学习理论。外部数据业务数据与其它应用 系统联动决策支持 应用知识库元数据管理!决策树挖掘I数据源数据存储节管理！LAP服务！数据挖掘经营分析支持模型开发期70时间用于数据处理机器学习 计算机在学习什么内容? 从哪里学习？ 学习的目的是什么？ 学习的方法是什么？损失函数 最小二乘法 极大似然 梯度下降二元分类、多元分类导数、偏导、链式求导

2、实践项目用线性回归实现预测W-监督式学习非监督式学习半监督式学习强化学习 Clustering Classification Collaborative filtering Frequent item set mining算法分类算法名称中文名称聚类算法（没有打标签）Canopy ClusteringCanopy聚类K-means ClusteringK均值算法Fuzzy K-means模糊K均值Expectation MaximizationEM聚类（期望最大化聚类）Mean Shift Clustering均值漂移聚类Hierarchical Clustering层次聚类Dirichlet

3、 Process Clustering狄里克雷过程聚类Latent Dirichlet AllocationLDA聚类Spectral Clustering谱聚类算法分类算法名称中文名称分类算法 （打过标签）Logistic Regression逻辑回归Bayesian贝叶斯SVM支持向量机Perceptron感知器算法Neural Network神经网络Random Forests随机森林Restricted Boltzmann Machines有限波尔兹曼机廿K同；计寸由留r y.User and Item based recommenders逻辑回归KM 口Jl%、舁汰Matrix factorization based recommenders贝叶斯频繁项集挖掘Apriori (Frequent item set mining) Frequent item set mining Singular Value Decomposition High performance java collections A vibrant community