按任务是否需要和环境交互获得经验:监督学习与强化学习
1, 监督学习 (Supervised Learning)
按数据是否存在标签:分为传统监督学习,无监督学习,半监督学习
- 传统监督学习(Traditional Supervised Learning)
-
- 分类算法
-
-
- k-NN(k-邻近算法 k-Nearest Neighbor, k-NN)
-
-
-
- 决策(Decision Tree)
-
-
-
- 朴素贝叶斯(Naive Bayes)
-
-
-
- 逻辑回归(Logistic Regression)
-
-
-
- 随机森林
-
-
-
- 支持向量机(Support Vector Machine)
-
-
-
- EM算法(Expection MaxiMaximization algorithm)
-
-
-
- 主成分分析(Principle ComponentAnalysis)
-
-
- 回归算法
-
-
- 线性回归
-
-
-
- 回归树
-
- 无监督学习 (Unsupervised Learning)
-
- 聚类分析(Clustering)
- 半监督学习(Semi-supervised Learning)
- 深度学习 (Deep Learning) 2, 强化学习(Reinforcement Learning,增强学习)
Chapters | Descriptions | Notes | Examples |
---|---|---|---|
第一章 | 绪论:机器学习定义、分类 | 绪论 | -- |
第二章 | k-邻近(k-NN,k-Nearest Neighbor) | k-NN | k-邻近示例 |
第三章 | 支持向量机(SVM,Support Vector Meachine) | 支持向量机 | 支持向量机 |
第四章 | 决策树(Decision Tree) | Decision Tree | 决策树示例 |
第五章 | 朴素贝叶斯(Naive Bayes) | Naive Bayes | Naive Bayes |
第六章 | 逻辑回归(Logistic Regression) | Logistic Regression | Logistic Regression |
第七章 | AdaBoost | AdaBoost | AdaBoost |