機器學習作為當下最火的計算機行業(yè)應用之一，它研究如何讓計算機模擬或實現(xiàn)人類的學習行為。那么機器是如何實現(xiàn)學習行為的呢？答案就是算法，機器學習算法通過不斷的學習和強化，可以達到很不錯的性能。那么機器學習算法有哪些呢，接下來的文章告訴你。
一、基礎概述
- 機器學習（Machine Learing）是一門多領域交叉學科，涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復雜度理論等多門學科。
- 機器學習專門研究計算機怎樣模擬或實現(xiàn)人類的學習行為，以便獲取新的知識和技能，重新組織已有的知識結構使之不斷改善自身的性能。
- 機器學習是人工智能的核心，是計算機具有智能的根本途徑，其應用遍及人工智能的各個領域。
- 機器學習使用歸納、綜合而不是演繹。
二、算法分類
按照學習方式
監(jiān)督學習
半監(jiān)督學習
無監(jiān)督學習
強化學習
按照算法相似性
- 回歸算法
- 聚類算法
- 降維算法
- 深度學習
- 集成算法
- 正則化算法
- 決策樹算法
- 貝葉斯算法
- 關聯(lián)規(guī)則學習
- 人工神經(jīng)網(wǎng)絡
- 基于核的算法
- 基于實例的算法
三、研究內(nèi)容
機器學習領域的研究工作主要圍繞以下三個方面
- 面向任務的研究，研究和分析改進一組預定任務的執(zhí)行性能的學習系統(tǒng)。
- 認知模型，研究人類學習過程并進行計算機的模擬。
- 理論分析，從理論上探索各種可能的學習方法和獨立于應用領域的算法。
到此這篇關于機器學習算法及其分類的概述的文章就介紹到這了,更多機器學習的內(nèi)容請搜索W3Cschool以前的文章或繼續(xù)瀏覽下面的相關文章。
