2019年人工智能算法应用场景详解

今天人工智能的发展可以说是突飞猛进，那么人工智能的算法有哪些应用场景呢，我对人工智能很感兴趣，已经研究多年，这里来跟大家总结一下，我一直对机器学习感兴趣，没有时间去研究它。今天只是周末。我有时间去各种技术论坛，看一篇关于机器学习的好文章。我会在这里和你分享。
　　机器学习无疑是数据分析领域的一个热门话题。许多人在日常工作中或多或少使用机器学习算法。在这里，信息技术经理网络总结了常见的机器学习算法，供您在工作和学习中参考。
　　机器学习有许多算法。许多时候，人们对许多算法都是一种算法感到困惑，有些算法是从其他算法扩展而来的。在这里，我们将从两个方面向您介绍，第一是学习方式，第二是算法的相似性。
　　学习风格
　　根据不同的数据类型，有不同的方法来建模问题。在机器学习或人工智能领域，人们首先会考虑算法的学习方法。在机器学习领域，有几种主要的学习方法。根据学习方法对算法进行分类是一个好主意，这样人们可以根据输入数据考虑选择最合适的算法，从而在建模和算法选择时获得最佳结果。
　　监督学习:
　　在监督学习下，输入数据称为“训练数据”，每组训练数据都有明确的标识或结果，如反垃圾邮件系统中的“垃圾邮件”和“非垃圾邮件”，手写数字识别中的“1”、“2”、“3”、“4”。在建立预测模型时，监督学习建立学习过程，将预测结果与“训练数据”的实际结果进行比较，并不断调整预测模型，直到模型的预测结果达到预期的准确率。监督学习的常见应用场景包括分类问题和回归问题。常见的算法包括逻辑回归和反向传播神经网络
　　无监督学习:
　　在无监督学习中，数据不是特别确定的，学习模型是为了推断数据的一些内部结构。常见的应用场景包括学习关联规则和聚类。常见的算法包括Apriori算法和k均值算法。
　　半监督学习:
　　在这种学习模式下，输入数据部分被识别，部分不被识别。这种学习模型可以用于预测，但是该模型首先需要学习数据的内部结构，以便合理地组织用于预测的数据。应用场景包括分类和回归。该算法包括一些常用监督学习算法的扩展。这些算法首先尝试对未标记数据建模，然后预测标记数据。图形推理或拉普拉斯SVM等。
　　强化学习:
　　在这种学习模式中，输入数据被用作模型的反馈，与监督模型不同，输入数据仅被用作检查模型是对还是错的一种方式。在强化学习下，输入数据直接反馈给模型，模型必须立即进行调整。常见的应用场景包括动态系统和机器人控制。常见的算法包括问学习和时间差学习
　　在企业数据应用的背景下，监督学习和非监督学习的模型可能是最常用的。在图像识别等领域，由于存在大量未标记数据和少量可识别数据，半监督学习是目前研究的热点。然而，强化学习更多地应用于机器人控制和其他需要系统控制的领域。
　　算法的相似性
　　根据算法功能和形式的相似性，可以对算法进行分类，如基于树的算法、基于神经网络的算法等。当然，机器学习的范围很大，有些算法很难被清晰地分类。对于某些分类，相同的分类算法可用于解决不同类型的问题。在这里，我们尽力以最容易理解的方式对常用算法进行分类。
　　回归算法:
　　回归算法是一种试图通过测量误差来探索变量之间关系的算法。回归算法是统计机器学习的利器。在机器学习领域，人们谈论回归，有时指一种问题，有时指一种算法，这常常使初学者困惑。常见的回归算法包括:普通最小二乘法、逻辑回归、逐步回归、多元自适应回归样条和局部估计散点图平滑
　　基于实例的算法
　　基于实例的算法经常被用来建模决策问题。这种模型通常首先选择一批样本数据，然后根据一些近似值将新数据与样本数据进行比较。这样才能找到最佳匹配。因此，基于实例的算法通常被称为“赢家通吃”学习或“基于记忆的学习”常见的算法包括k近邻(KNN)、学习矢量量化(LVQ)和自组织映射(SOM)正则化方法
　　正则化方法是其他算法(通常是回归算法)的扩展，算法根据其复杂性进行调整。正则化方法通常奖励简单模型，惩罚复杂算法。常见的算法包括:脊回归、引导绝对收缩和选择算子(套索)和弹性网。
　　决策树学习
　　决策树算法利用树结构根据数据属性建立决策模型。决策树模型常用于解决分类和回归问题。常用算法包括:分类回归树(CART)、ID3(迭代二分法3)、C4.5、卡方自动交互检测(CHAID)、决策树桩、随机森林、多重自适应回归样条(MARS)和梯度推进机(GBM)
　　贝叶斯方法
　　贝叶斯方法算法是一种基于贝叶斯定理的算法，主要用于解决分类和回归问题。常见的算法包括:朴素贝叶斯算法、平均单相关估计器(AODE)和贝叶斯信念网络(BBN)。
　　基于核的算法
　　最著名的基于核的算法是支持向量机(SVM)。基于核的算法将输入数据映射到更高阶的向量空间，其中一些分类或回归问题可以更容易地解决。常见的基于核的算法包括:支持向量机(SVM)、径向基函数(径向基函数)、线性判别分析(LDA)等
　　聚类算法
　　聚类就像回归。有时人们描述一类问题，有时他们描述一类算法。聚类算法通常根据中心点或分层方式合并输入数据。因此，所有聚类算法都试图找到数据的内部结构，以便根据最大共同点对数据进行分类。常见的聚类算法包括k均值算法和期望最大化算法。关联规则学习
　　关联规则学习通过寻找最能解释数据变量之间关系的规则，在大量多元数据集中找到有用的关联规则。常见的算法包括Apriori算法和Eclat算法。
　　人工神经网络
　　人工神经网络算法模拟生物神经网络，是一种模式匹配算法。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巨大分支，有数百种不同的算法。(深度学习是这些算法之一，我们将单独讨论)。重要的人工神经网络算法包括:感知器神经网络、反向传播、霍普菲尔德网络、自组织映射、自组织映射。学习矢量量化(LVQ)
　　深度学习
　　深度学习算法是人工神经网络的发展。最近几天，它赢得了很多关注，特别是在百度开始深入学习之后，它也在中国引起了很多关注。在计算能力变得越来越便宜的时候，深入学习试图建立一个更大更复杂的神经网络。许多深度学习算法是半监督学习算法，用于处理含有少量未识别数据的大数据集。常见的深度学习算法包括:受限玻尔兹曼机器(RBN)、深度信任网络(DBN)、卷积网络、堆叠自动编码器。
　　降维算法
　　像聚类算法一样，降维算法试图分析数据的内部结构，但降维算法试图用较少的信息以无监督的学习方式总结或解释数据。这种算法可用于可视化高维数据或简化数据以进行监督学习。常用算法包括:主成分分析、偏最小二乘回归、萨姆蒙映射、多维标度、多尺度分解、投影寻踪等。
　　集成算法:
　　积分算法使用一些相对较弱的学习模型独立训练相同的样本，然后对结果进行积分进行整体预测。集成算法的主要难点在于如何集成独立和较弱的学习模型以及如何集成学习结果。这是一种非常强大的算法，也非常受欢迎。常见的算法包括:增强、自举聚合(打包)、AdaBoost、堆叠泛化(混合)、梯度增强机、GBM和随机森林。好的判断来自经验，但经验来自错误的判断。
如果您有互联网问题，也可以咨询我，谢谢！如果你也想一起学习人工智能，欢迎留言交流。