机器学习基础

人工智能的核心，使用计算机模拟人类学习行为，将现有内容进行知识结构划分来提高学习效率。定义：研究在经验中改善具体算法的性能。

探索不同学习算法和学习方法。

现在应用：自然语言理解，非单调推理，机器视觉，模式识别。

研究方向：1研究学习机制，探索人学习机制，2大数据环境下机器学习，如何有效获取利用好信息。

深度学习：借鉴人脑结构，神经元连接交互处理机制，自适应，自学习的并行信息处理能力，在图像识别领域有突破性应用。

传统机器学习：研究方向：决策树，随机森林，人工神经网络，贝叶斯学习

决策树：ID3---AS-SISTANAIgorithm---CHi-Squa---C4.5---CART---SLIQ(决策树分类)---PUBLIC

随机森林：RF

人工神经网络：非线性适应性信息处理能力算法

贝叶斯：统计学

大数据机器学习：数据转向，数据信息处理，建立在内存理论基础上。需要考虑现实依据。

基于学习策略分类：符号学习，神经网络学习：以人工神经网络为函数结构模型，以数值数据为输入，以数值运算为方法，用迭代过程在系数向量空间中搜索，学习目标为函数。直接采用数学方法：训练模型对数据进行预测。模型，模型集合就是假设空间。策略，从假设空间挑出最好模型的准则。算法，求解最佳模型的方法。最优化算法：梯度下降法，牛顿法，拟牛顿法

基于学习方法分类：

基于学习方式分类：

基于数据形式分类：

基于学习目标分类：

常见算法：决策树，朴素贝叶斯，支持向量机，随机森林，人工神经网络，boosting与bagging，关联规则，期望最大法，深度学习

深度学习：学习样本的内在规律和表示层次，这些学习过程中获得的信息让机器有分析能力，复杂，在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术有重大成果

标签：---,机器,基础,人工神经网络,学习,算法,决策树
来源： https://blog.csdn.net/weixin_44919150/article/details/122531191