本帖最后由 莫晓沙 于 2018-10-15 09:53 编辑
1.人工智能之机器学习体系汇总【直接上干货】此处梳理出面向人工智能的机器学习方法体系，主要体现机器学习方法和逻辑关系，理清机器学习脉络，抱着一颗严谨学习之心，有不当之处欢迎斧正。
监督学习 Supervised learning 人工神经网络 Artificial neural network 自动编码器 Autoencoder 反向传播 Backpropagation 玻尔兹曼机 Boltzmann machine 卷积神经网络 Convolutional neural network Hopfield网络 Hopfield network 多层感知器 Multilayer perceptron 径向基函数网络（RBFN） Radial basis function network(RBFN) 受限玻尔兹曼机 Restricted Boltzmann machine 回归神经网络（RNN） Recurrent neural network(RNN) 自组织映射（SOM） Self-organizing map(SOM) 尖峰神经网络 Spiking neural network 贝叶斯 Bayesian 朴素贝叶斯 Naive Bayes 高斯贝叶斯 Gaussian Naive Bayes 多项朴素贝叶斯 Multinomial Naive Bayes 平均一依赖性评估（AODE） Averaged One-Dependence Estimators(AODE) 贝叶斯信念网络（BNN） Bayesian Belief Network(BBN) 贝叶斯网络（BN） Bayesian Network(BN) 决策树 Decision Tree 分类和回归树（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 卡方自动交互检测（CHAID） Chi-squared Automatic Interaction Detection(CHAID) 决策残端 Decision stump ID3算法 ID3 algorithm 随机森林 Random forest SLIQ 线性分类 Linear classifier Fisher的线性判别 Fisher’s linear discriminant 线性回归 Linear regression Logistic回归 Logistic regression 多项Logistic回归 Multinomial logistic regression 朴素贝叶斯分类器 Naive Bayes classifier 感知 Perceptron 支持向量机 Support vector machine 无监督学习 Unsupervised learning 人工神经网络 Artificial neural network 对抗生成网络 前馈神经网络 Feedforward neurral network 极端学习机 Extreme learning machine 逻辑学习机 Logic learning machine 自组织映射 Self-organizing map 关联规则学习 Association rule learning 先验算法 Apriori algorithm Eclat算法 Eclat algorithm FP-growth算法 FP-growth algorithm 分层聚类 Hierarchical clustering 单连锁聚类 Single-linkage clustering 概念聚类 Conceptual clustering 聚类分析 Cluster analysis BIRCH DBSCAN 期望最大化（EM） Expectation-maximization(EM) 模糊聚类 Fuzzy clustering K-means算法 K-means algorithm k-均值聚类 K-means clustering k-位数 K-medians 平均移 Mean-shift OPTICS算法 OPTICS algorithm 异常检测 Anomaly detection k-最近邻算法（K-NN） k-nearest neighbors classification(K-NN) 局部异常因子 Local outlier factor 半监督学习 Semi-supervised learning 生成模型 Generative models 低密度分离 Low-density separation 基于图形的方法 Graph-based methods 联合训练 Co-training 强化学习 Reinforcement learning 时间差分学习 Temporal difference learning Q学习 Q-learning 学习自动 Learning Automata 状态-行动-回馈-状态-行动（SARSA） State-Action-Reward-State-Action(SARSA) 深度学习 Deep learning 深度信念网络 Deep belief machines 深度卷积神经网络 Deep Convolutional neural networks 深度递归神经网络 Deep Recurrent neural networks 分层时间记忆 Hierarchical temporal memory 深度玻尔兹曼机（DBM） Deep Boltzmann Machine(DBM) 堆叠自动编码器 Stacked Boltzmann Machine 生成式对抗网络 Generative adversarial networks 迁移学习 Transfer learning 传递式迁移学习 Transitive Transfer Learning 其他 集成学习算法 Bootstrap aggregating (Bagging) AdaBoost 梯度提升机（GBM） Gradient boosting machine(GBM) 梯度提升决策树（GBRT） Gradient boosted decision tree(GBRT) 降维 主成分分析（PCA） Principal component analysis(PCA) 主成分回归（PCR） Principal component regression(PCR) 因子分析 Factor analysis 2.人工智能相关趋势分析2.1.人工智能再次登上历史舞台人工智能与大数据对比——当今人工智能高于大数据
2.2.Python才是王道
2.3.深度学习趋势大热
2.4.中国更爱深度学习
3.结语
关于人工智能的一点感想，写在最后
AI systems can’t model everything… AI needs to be robust to “unknown unknowns” [Thomas G.Dietterich ,2017CCAI]
中国自古有之
“知之为知之，不知为不知，是知也。”【出自《论语》】
人工智能已然是历史的第三波浪潮，堪称“工业4.0”，目前有突破性的成就，但也有未解之谜。真正创造一个有认知力的“生命”——还有很大的难度。希望此次浪潮会持续下去，创造出其真正的价值，而非商业泡沫。
大多数的我们发表不了顶级学术论文，开创不了先河。不要紧，沉下心，努力去实践。
人工智能路漫漫，却让我们的生活充满了机遇与遐想。
| 
发表于 2018-10-15 09:44:10
