导读：人工智能是科技研究中最热门的方向之一。

推荐视频教学

根据一些 feature(特征）进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上。

2、随机森林

随机森林是集成学习的一个子类，它依靠于决策树的投票选择来决定最后的分类结果。集成学习通过建立几个模型组合的来解决单一预测问题。集成学习的简单原理是生成多个分类器 / 模型，各自独立地学习和作出预测。这些预测最后结合成单预测，因此优于任何一个单分类的做出预测。

随机森林的构建过程：

假设 N 表示训练用例（样本）个数，M 表示特征数目，随机森林的构建过程如下：

1. 输入特征数目 m，用于确定决策树上一个节点的决策结果；其中 m 应远小于 M。

2. 从 N 个训练用例（样本）中以有放回抽样的方式，取样 N 次，形成一个训练集，并用未抽到的用例（样本）作预测，评估其误差。

3. 对于每一个节点，随机选择 m 个特征，决策树上每个节点的决定都是基于这些特征确定的。根据 m 个特征，计算其最佳的分裂方式。

4. 每棵树都会完整成长而不会剪枝，这有可能在建完一棵正常树状分类器后会被采用。

• 重复上述步骤，构建另外一棵棵决策树，直到达到预定数目的一群决策树为止，即构建好了随机森林。其中，预选变量个数（m）和随机森林中树的个数是重要参数，对系统的调优非常关键。这些参数在调节随机森林模型的准确性方面也起着至关重要的作用。科学地使用这些指标，将能显著的提高随机森林模型工作效率。

3、 逻辑回归

基本上，逻辑回归模型是监督分类算法族的成员之一。Logistic 回归通过使用逻辑函数估计概率来测量因变量和自变量之间的关系。

逻辑回归与线性回归类似，但逻辑回归的结果只能有两个的值。如果说线性回归是在预测一个开放的数值，那逻辑回归更像是做一道是或不是的判断题。

逻辑函数中 Y 值的范围从 0 到 1，是一个概率值。逻辑函数通常呈 S 型，曲线把图表分成两块区域，因此适合用于分类任务。

比如上面的逻辑回归曲线图，显示了通过考试的概率与学习时间的关系，可以用来预测是否可以通过考试。

4、线性回归

所谓线性回归，就是利用数理统计中的回归分析，来确定两种或两种以上变量间，相互依赖的定量关系的一种统计分析方法。

线性回归（Linear Regression）可能是最流行的机器学习算法。它试图通过将直线方程与该数据拟合来表示自变量（x 值）和数值结果（y 值）。然后就可以用这条线来预测未来的值！

这种算法最常用的技术是最小二乘法（Least of squares）。这个方法计算出最佳拟合线，以使得与直线上每个数据点的垂直距离最小。总距离是所有数据点的垂直距离（绿线）的平方和。其思想是通过最小化这个平方误差或距离来拟合模型。

5、 朴素贝叶斯

朴素贝叶斯（Naive Bayes）是基于贝叶斯定理，即两个条件关系之间。它测量每个类的概率，每个类的条件概率给出 x 的值。这个算法用于分类问题，得到一个二进制“是 / 非”的结果。

朴素贝叶斯分类器是一种流行的统计技术，经典应用是过滤垃圾邮件。

6、 神经网络

Neural Networks 适合一个 input 可能落入至少两个类别里:NN 由若干层神经元，和它们之间的联系组成。第一层是 input 层，最后一层是 output 层。在 hidden 层和 output 层都有自己的 classifier。

input 输入到网络中，被激活，计算的分数被传递到下一层，激活后面的神经层，最后 output 层的节点上的分数代表属于各类的分数，下图例子得到分类结果为 class 1; 同样的 input 被传输到不同的节点上，之所以会得到不同的结果是因为各自节点有不同的 weights 和 bias，这也就是 forward propagation。

7、K- 均值

K- 均值（K-means）是通过对数据集进行分类来聚类的。例如，这个算法可用于根据购买历史将用户分组。它在数据集中找到 K 个聚类。K- 均值用于无监督学习，因此，我们只需使用训练数据 X，以及我们想要识别的聚类数量 K。

先要将一组数据，分为三类，粉色数值大，黄色数值小。最开始先初始化，这里面选了最简单的 3，2，1 作为各类的初始值。剩下的数据里，每个都与三个初始值计算距离，然后归类到离它最近的初始值所在类别。
欺诈检测中应用广泛，例如医疗保险和保险欺诈检测领域

8、支持向量机

要将两类分开，想要得到一个超平面，最优的超平面是到两类的 margin 达到最大，margin 就是超平面与离它最近一点的距离。

是一种用于分类问题的监督算法。支持向量机试图在数据点之间绘制两条线，它们之间的边距最大。为此，我们将数据项绘制为 n 维空间中的点，其中，n 是输入特征的数量。在此基础上，支持向量机找到一个最优边界，称为超平面（Hyperplane），它通过类标签将可能的输出进行最佳分离。

应用于面部识别、文本分类等

9、K- 最近邻算法

给一个新的数据时，离它最近的 k 个点中，哪个类别多，这个数据就属于哪一类。
例子∶要区分“猫”和“狗”，通过“claws”和“sound”两个 feature 来判断的话，圆形和三角形是已知分类的了，那么这个“star”代表的是哪一类呢?

10、降维

降维（Dimensionality reduction）试图在不丢失最重要信息的情况下，通过将特定的特征组合成更高层次的特征来解决这个问题。主成分分析（Principal Component Analysis，PCA）是最流行的降维技术。

主成分分析通过将数据集压缩到低维线或超平面 / 子空间来降低数据集的维数。这尽可能地保留了原始数据的显著特征。

最后！！!

整理了一份关深度学习 和机器视觉的资料，有 python 基础，图像处理 opencv\ 自然语言处理、机器学习、数学基础等资源库，想学习人工智能或者转行到高薪资行业的，大学生都非常实用，无任何套路免费提供

看我主页关注工众 H：咕泡 AI，一定记得回复：211

人工智能题库，大厂面试题 学习大纲 自学课程大纲还有 200GAI 资料大礼包免费送哦~
有什么问题都可以来问我

原文链接：https://www.bilibili.com/read/cv17438123