- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据科学与人工智能
【机器学习】机器学习算法总结
找工作时（IT行业），除了常见的软件开发以外，机器学习岗位也可以当作是一个选择，不少计算机方向的研究生都会接触这个，如果你的研究方向是机器学习/数据挖掘之类，且又对其非常感兴趣的话，可以考虑考虑该岗位， 毕竟在机器智能没达到人类水平之前，机器学习可以作为一种重要手段，而随着科技的不断发展，相信这方面的人才需求也会越来越大。 纵观IT行业的招聘岗位，机器学习之类的岗位还是挺少的，国内大点的公司里百度，阿里，腾讯，网易，搜狐，华为（华为的岗位基本都是随机分配，机器学习等岗位基本面向的是博士）等会有相关职位，另外一些国内的中小型企业和外企也会招一小部分 阿里的算法岗位很大一部分也是搞机器学习相关的。 下面是本人在找机器学习岗位工作时，总结的常见机器学习算法（主要是一些常规分类器）大概流程和主要思想，希望对大家找机器学习岗位时有点帮助。 它在被提出之初就和SVM一起被认为是泛化能力（generalization)较强的算法。近些年更因为被用于搜索排序的机器学习模型而引起大家关注。 GBDT是回归树，不是分类树。
1.4K50发布于 2018-02-27 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法之旅
在理解了我们需要解决的机器学习问题之后，我们可以思考一下我们需要收集什么数据以及我们可以用什么算法。本文我们会过一遍最流行的机器学习算法，大致了解哪些方法可用，很有帮助。 机器学习领域有很多算法，然后每种算法又有很多延伸，所以对于一个特定问题，如何确定一个正确的算法是很困难的。本文中我想给你们两种方法来归纳在现实中会遇到的算法。 学习方式 根据如何处理经验、环境或者任何我们称之为输入的数据，算法分为不同种类。机器学习和人工智能课本通常先考虑算法可以适应的学习方式。 这里只讨论几个主要的学习风格或学习模型，并且有几个基本的例子。 正如机器学习算法本身没有完美的模型一样，算法的分类方法也没有完美的。 在这一部分我列出了我认为最直观的方法归类的算法。我并没有穷尽算法或者分类方法，但是我想对于让读者有一个大致了解很有帮助。 其他资源 这趟机器学习算法之旅意在让你对有什么算法和关联算法的一些工具给你一个总体了解。 下面是一些其他资源， 请不要觉得太多，了解越多算法对你越有好处，但是对某些算法有深层次的了解也会很有用。
98690发布于 2018-02-27 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法之旅
在理解了我们需要解决的机器学习问题之后，我们可以思考一下我们需要收集什么数据以及我们可以用什么算法。本文我们会过一遍最流行的机器学习算法，大致了解哪些方法可用，很有帮助。 机器学习领域有很多算法，然后每种算法又有很多延伸，所以对于一个特定问题，如何确定一个正确的算法是很困难的。本文中我想给你们两种方法来归纳在现实中会遇到的算法。 学习方式 根据如何处理经验、环境或者任何我们称之为输入的数据，算法分为不同种类。机器学习和人工智能课本通常先考虑算法可以适应的学习方式。 这里只讨论几个主要的学习风格或学习模型，并且有几个基本的例子。 正如机器学习算法本身没有完美的模型一样，算法的分类方法也没有完美的。 在这一部分我列出了我认为最直观的方法归类的算法。我并没有穷尽算法或者分类方法，但是我想对于让读者有一个大致了解很有帮助。 其他资源 这趟机器学习算法之旅意在让你对有什么算法和关联算法的一些工具给你一个总体了解。 下面是一些其他资源， 请不要觉得太多，了解越多算法对你越有好处，但是对某些算法有深层次的了解也会很有用。
941100发布于 2018-02-27 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法预览
在这篇文章中，我要带大家预览一下机器学习中最热门的算法。预览主要的机器学习算法可在某种程度上给你这样的一种感觉，让你知道什么样的方法是可靠的。 在很多畅销的机器学习和人工智能教材中，它们首先都会考虑如何根据算法的类型进行运用。 下面是一些我不会在这篇文章列举出来的机器学习算法，它们用于解决特别的任务的过程，例如： 功能选择算法 算法精度评估 性能测试 我也不会列举那些用于子领域的机器学习算法，例如 怎样学习机器学习算法 算法是机器学习的一个大模块。这个话题我是很有兴趣的，而且之前也写了很多这方面的博客。 如何运行这些机器学习算法 有时，你需要的只是一些代码。下面这些链接可以让你明白如何运行机器学习算法，并使用常规的库来编写这些代码或者从研究者运用它们。
1.2K50发布于 2018-02-27 - 来自专栏生信小驿站
机器学习算法①
机器学习算法 广泛地说，有三种类型的机器学习算法。 1.监督学习 这个算法由一个目标/结果变量（或因变量）组成，这个变量可以从一组给定的预测变量（独立变量）中预测出来。 监督学习的例子：回归，决策树，随机森林，KNN，逻辑回归等。 2.无监督学习 在这个算法中，我们没有任何目标或结果变量来预测/估计。 无监督学习的例子：Apriori算法，K-means。 3.强化学习： 使用这种算法，机器被训练做出特定的决定。 它是这样工作的：机器暴露在一个环境中，它使用反复试验不断地训练自己。 这台机器从过去的经验中学习，并试图捕捉最好的知识，做出准确的业务决策。 强化学习实例：马尔可夫决策过程 这里是常用的机器学习算法列表。 这些算法可以应用于几乎所有的数据问题： 线性回归 Logistic回归 决策树 SVM 朴素贝叶斯 KNN K均值 随机森林 维度降低算法 梯度提升算法 GBM XGBoost
50620发布于 2018-08-27 - 来自专栏数据科学与人工智能
【机器学习】机器学习分类算法总结
主要分类方法介绍解决分类问题的方法很多，单一的分类方法主要包括：决策树、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等；另外还有用于组合单一分类方法的集成学习算法，如Bagging和Boosting （1）决策树 决策树是用于分类和预测的主要技术之一，决策树学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则。 因此，学者们对多种分类方法的融合即集成学习进行了广泛的研究。集成学习已成为国际机器学习界的研究热点，并被称为当前机器学习四个主要研究方向之一。 集成学习是一种机器学习范式，它试图通过连续调用单个的学习算法，获得不同的基学习器，然后根据规则组合这些学习器来解决同一个问题，可以显著的提高学习系统的泛化能力。 组合多个基学习器主要采用（加权）投票的方法，常见的算法有装袋（Bagging），提升/推进 （Boosting）等。
1.4K50发布于 2018-02-26 - 来自专栏数据科学与人工智能
【算法】基础机器学习算法
笔者邀请您，先思考： 1 您熟悉那些学习算法？ 2 您应用那些机器学习算法？ 本篇内容主要是面向机器学习初学者,介绍常见的机器学习算法，当然,欢迎同行交流。 ? 哲学要回答的基本问题是从哪里来、我是谁、到哪里去，寻找答案的过程或许可以借鉴机器学习的套路：组织数据->挖掘知识->预测未来。 本篇重点是机器学习算法的介绍，可以分为监督学习和无监督学习两大类。 ? 无监督学习算法很多，最近几年业界比较关注主题模型，LSA->PLSA->LDA为主题模型三个发展阶段的典型算法，它们主要是建模假设条件上存在差异。 介绍了这么多机器学习基础算法，说一说评价模型优劣的基本准则。
58640发布于 2018-07-30 - 来自专栏Lansonli技术博客
机器学习（五）：机器学习算法分类
机器学习算法分类根据数据集组成不同，可以把机器学习算法分为：监督学习无监督学习半监督学习强化学习一、监督学习定义：输入数据是由输入特征值和目标值所组成。 有监督，无监督算法对比：三、半监督学习定义：训练集同时包含有标记样本数据和未标记样本数据。 监督学习和强化学习的对比监督学习强化学习反馈映射输出的是之间的关系，可以告诉算法什么样的输入对应着什么样的输出。输出的是给机器的反馈 reward function，即用来判断这个行为是好是坏。 反馈时间做了比较坏的选择会立刻反馈给算法。结果反馈有延时，有时候可能需要走了很多步以后才知道以前的某一步的选择是好还是坏。输入特征输入是独立同分布的。 面对的输入总是在变化，每当算法做出一个行为，它影响下一次决策的输入。
1.3K41编辑于 2023-02-17 - 来自专栏实时计算
机器学习（七）--------机器学习算法选择
使用训练集训练出 10 个模型 用 10 个模型分别对交叉验证集计算得出交叉验证误差（代价函数的值） 选取代价函数值最小的模型 用步骤 3 中选出的模型对测试集计算得出推广误差（代价函数的值） 当你运行一个学习算法时 ，如果这个算法的表现不理想，那么多半是出现两种情况： 要么是偏差比较大，要么是方差比较大。
55320发布于 2019-08-08 - 来自专栏不仅仅是python
机器学习-常用的机器学习算法
概要 主要展示常用的机器学习算法。 涵盖的算法 - 线性回归，逻辑回归，朴素贝叶斯，kNN，随机森林等。 学习使用python语言实现这些算法。 （放在后面的文章总演示每个算法的使用，本文只介绍常用的机器学习算法） ? 介绍 谷歌的自动驾驶汽车和机器人得到了很多新闻，但该公司真正的未来是机器学习，这种技术使计算机变得更聪明，更个性化。 从广义上讲，有3种类型的机器学习算法，让我们来看看每一种类型的算法。 无监督学习的例子：Apriori算法，K-means。 强化学习(Reinforcement Learning) 工作原理：使用此算法，机器经过培训，可以做出具体决策。 ） Gradient Boosting algorithms（渐变Boosting算法） GBM XGBoost LightGBM CatBoost 今天的机器学习算法介绍就到这里，接下来的文章会具体介绍每一种算法
72831发布于 2019-09-12 - 来自专栏MiningAlgorithms
机器学习11：机器学习算法目录（前）
机器学习算法目录： 一、模型选择与评价： 1，误差：误差由偏差(bias)、方差(variance)和噪声(noise)组成； 2，多分类学习：一对一、一对其余、多对多（参考：西瓜书p63）；单标签二分类 3，交叉验证，网格搜索： 4，模型评价相关指标： 5，模型持久化（modelpersistence）： 6，验证曲线（validationcurves）： 二、机器学习部分： 1，线性回归： 最小二乘 4，支持向量机（SVM）：线性可分向量机、线性不可分向量机； 要点：支持向量机学习的是凸二次规划问题，可以使用SMO算法快速求解； 5，KNN：KD-Tree算法可以不计算全部样本点的距离、 要点：KNN ：条件随机场、GM-HMM、概率计算问题（前向-后向算法）、学习问题（Bawm-Welch算法）、预测问题（Viterbi算法）。 12，集成学习（已整理为：机器学习5-8）：随机森林（Extra tree、Totally Random Trees Embedding、Isolation forest）、Adboost、GBDT、XGBoost
99820发布于 2019-08-08 - 来自专栏数据科学与人工智能
【机器学习】机器学习常见算法分类汇总
机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。本文为您总结一下常见的机器学习算法，以供您在工作和学习中参考。 机器学习的算法很多。 学习方式 根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。 算法类似性 根据算法的功能和形式的类似性，我们可以把算法分类，比如说基于树的算法，基于神经网络的算法等等。当然，机器学习的范围非常庞大，有些算法很难明确归类到某一类。 回归算法是统计机器学习的利器。在机器学习领域，人们说起回归，有时候是指一类问题，有时候是指一类算法，这一点常常会使初学者有所困惑。 人工神经网络算法模拟生物神经网络，是一类模式匹配算法。通常用于解决分类和回归问题。人工神经网络是机器学习的一个庞大的分支，有几百种不同的算法。
1.1K100发布于 2018-02-27 - 来自专栏机器学习/数据可视化
机器学习算法比较
机器学习算法对比 本文中对几种常见的机器学习算法进行了总结，主要是监督学习和非监督学习的算法对比： KNN 聚类和降维 决策树和随机森林 ? 有监督分为回归（预测房价，得到一个数值和分类（是否发信用卡、是否生病等）两种 监督学习算法 K近邻-KNN 决策树 朴素贝叶斯算法 逻辑回归 无监督学习的思想 事先没有任何训练样本，而需要直接对数据进行建模 算法主要是分类：聚类的目的是将相似的东西放在一起，通过计算样本间和群体间距离得到 主要算法包含：K-Means、层次聚类等 无监督学习算法 聚类：K-Means 降维：PCA 主成分分析-PCA PCA 算法具体步骤： ? 决策树DT 决策树学习的本质上是从训练数据集上归纳出一组分类规则，通过训练数据集估计条件概率模型。 决策树学习的损失函数通常是正则化的极大似然函数。 构建的一定是二叉树 终节点是连续变量，属于回归树 终节点是离散变量，属于分类树 随机森林RF 思想 随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支
65710发布于 2021-03-01 - 来自专栏企鹅号快讯
机器学习算法分类
最近看到对机器学习各种算法从另一个角度的分类，觉得很有意思，于是画了几张图，把它们重新整理了一下。 首先依然是有监督地学习，而有监督地学习又能分为回归和分类两种算法： 回归算法用于处理连续变量，比如预测房价、股价什么的这种走势连续的变量。 K均值聚类就还蛮实用的，就算是只做深度学习，也是经常要使用一些有效的机器学习的算法用以辅助改进整个模型（就好像YOLO9000在选择anchor box的时候，用了K均值聚类代替手选边框）。 我之前一直以为降维是搞数学的人研究的事情，原来人家早已是机器学习的一部分了。。。 ，强化学习分析和优化智能体的行为，让机器尝试不同的策略，从而发现哪种行为能产生最大的回报，因此智能体不是被告知应该采取哪种行为，试错和延迟的reward是将强化学习与其他技术区分的特点。
98090发布于 2018-02-27 - 来自专栏编程小王
【openAI】机器学习算法
分享给更多人：如果你觉得这篇文章对你有帮助，欢迎分享给更多对机器学习算法感兴趣的朋友，让我们一起进步！ 1. 引言：什么是机器学习？ 机器学习是人工智能的一个分支，它使计算机可以在没有明确编程的情况下从数据中学习。通过学习模式，机器学习算法能够对新数据进行预测或做出决策。 传统编程 vs. 机器学习的分类 机器学习通常分为三大类，每一类都有不同的目标和算法。 监督学习：从标注数据中学习，目标是预测或分类。例如，给定一组输入和输出（标签），算法学会预测新的输入的输出。 常见的机器学习算法 在介绍具体的机器学习算法时，可以按照它们的使用场景、特点以及优缺点进行划分。 结论 机器学习算法有很多种，每一种都有其适用的场景和优缺点。选择合适的算法和调优模型是实现高性能机器学习系统的关键。对于初学者来说，理解每种算法的基本原理并通过实践来加深对它们的认识尤为重要。
38100编辑于 2024-11-20 - 来自专栏智能算法
机器学习算法比较
机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。 通常最开始我们都会选择大家普遍认同的算法，诸如SVM，GBDT，Adaboost，现在深度学习很火热，神经网络也是一个不错的选择。 关于随机森林和GBDT等组合算法，参考这篇文章：机器学习-组合算法总结 缺点：对outlier比较敏感 6、SVM支持向量机 高准确率，为避免过拟合提供了很好的理论保证，而且就算数据在原特征空间线性不可分 人工神经网络的缺点： 神经网络需要大量的参数，如网络拓扑结构、权值和阈值的初始值； 不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度； 学习时间过长,甚至可能达不到学习的目的。 8、K-Means聚类 关于K-Means聚类的文章，链接：机器学习算法-K-means聚类。关于K-Means的推导，里面有着很强大的EM思想。
937120发布于 2018-04-02 - 来自专栏AI
机器学习算法概览
机器学习算法概览：监督学习、无监督学习、强化学习等机器学习是人工智能（AI）领域的重要分支，它使得计算机系统能够通过数据进行学习并做出预测或决策。 机器学习算法可以根据数据的类型、学习的方式以及所需的反馈进行分类，主要包括监督学习、无监督学习和强化学习三种类型。每种类型的算法都有不同的应用场景和实现方式。 Bishop这本书详细介绍了机器学习的各种算法，包括监督学习、无监督学习以及强化学习的基础理论。 ，涵盖了多种常见的机器学习算法。 《机器学习实战》（中文版）这本书通过Python实例讲解机器学习的基础算法及其应用，适合初学者使用。
39400编辑于 2025-01-12 - 来自专栏GiantPandaCV
机器学习算法之PCA算法
前言 在机器学习中降维是我们经常需要用到的算法，在降维的众多方法中PCA无疑是最经典的机器学习算法之一，最近准备撸一个人脸识别算法，也会频繁用到PCA，本文就带着大家一起来学习PCA算法。 前置内容 要学会PCA算法，首先需要了解矩阵分解算法。而矩阵分解算法又分为特征值分解和SVD(奇异值)分解，这两个算法的目的都是提取出一个矩阵最重要的特征。 ，整个算法的开销就过大了。 PCA算法 PCA即(Principal Component Analysis)主成分分析算法，是机器学习种应用得最广泛的数据降维算法。 PCA算法实现 基于特征值分解协方差矩阵实现PCA算法 输入数据集，需要降维到k维。 1）去均值，即将每一维特征减掉各自的平均值。
1.7K30发布于 2019-12-04 - 来自专栏JetpropelledSnake
机器学习笔记之机器学习算法XGBoost
Gradient boosting 就是通过加入新的弱学习器，来努力纠正前面所有弱学习器的残差，最终这样多个学习器相加在一起用来进行最终预测，准确率就会比单独的一个要高。 XGBoost在不同节点遇到缺失值时采用不同的处理方法，并且会学习未来遇到缺失值时的处理方法。 剪枝。当分裂时遇到一个负损失时，GBM会停止分裂。因此GBM实际上是一个贪心算法。 使用带l1,l2 正则化的线性回归模型作为基学习器。因为boost 算法是一个线性叠加的过程，而线性回归模型也是一个线性叠加的过程。 当它的值较大时，可以避免模型学习到局部的特殊样本。但是如果这个值过高，会导致欠拟合。这个参数需要使用CV来调整。该值越大，则算法越保守（尽可能的少划分）。 假设经过n次迭代之后当前模型为M， M=∑ni=1Ti ，当中 Ti 是第i次学习到的树。DART算法首先选择一个随机子集 I⊂{1,…,n} ，创建模型 M^=∑i∈ITi 。
3K10发布于 2021-03-04 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法基础知识
在我们了解了需要解决的机器学习问题的类型之后，我们可以开始考虑搜集来的数据的类型以及我们可以尝试的机器学习算法。在这个帖子里，我们会介绍一遍最流行的机器学习算法。 学习方式 基于其与经验、环境，或者任何我们称之为输入数据的相互作用，一个算法可以用不同的方式对一个问题建模。在机器学习和人工智能教科书中，流行的做法是首先考虑一个算法的学习方式。 反馈并不像监督学习那样来自于训练的过程，而是作为环境的惩罚或者是奖赏。典型问题有系统和机器人控制。算法的例子包括Q-学习和时序差分学习（Temporal Difference Learning）。 正因为如此，你会从不同的来源看到对算法进行不同的归类。就像机器学习算法自身一样，没有完美的模型，只有足够好的模型。 在这个小节里，我将会按照我觉得最直观的方式列出许多流行的机器学习算法。 回归方法是统计学的主要应用，被归为统计机器学习。这有些让人迷惑，因为我们可以用回归来指代一类问题和一类算法。实际上，回归是一个过程。
79381发布于 2018-02-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号