简介：许多朋友询问与人工智能行业有关的内容。本文的首席CTO笔记开始为您的参考做出详细的答案。我希望这对每个人都会有所帮助！让我们一起看看！
同意以前的答案，让我添加
决策树
决策树是基于在各种情况下发生的各种情况的概率。通过构成决策树以获得净值的当前值大于或等于零，对净值的期望值的期望。图形方法。，称为决策树。
随机森林
在机器学习中，随机森林是一个包含多个决策树的分类器，其输出类别由单个树的输出类别数量决定。
逻辑回归
逻辑回归是广泛的线性回归分析模型。它通常用于数据挖掘，自动诊断疾病和经济预测。例如，探索引起疾病的危险因素，并根据危险因素预测疾病的可能性。
adaboost
Adaboost是一种迭代算法，它是训练不同的分类器（弱分类器）进行相同的训练集，然后收集这些弱分类器以形成更强大的最终分类器（强分类器）。
它的算法本身是通过更改数据分布来实现的。它根据每个训练集中每个样本的分类以及最后一个总体分类的准确性确定每个样本的重量。
公园贝叶斯
Simply Bayesfa是一种基于贝叶斯定理和特征条件的独立假设的分类方法。两个最广泛的分类模型是决策树模型和简单的贝叶斯模型。
与制定树模型相比，简单的贝叶斯分类器起源于经典数学理论，具有坚实的数学基础和稳定的分类效率。同时，简单贝叶斯分类器模型所需的估计参数，不是很敏感对于缺乏数据，算法相对简单。
K -Neighbor
SO称为K相邻算法是提供训练数据集。对于新的输入实例，在训练数据集中找到最相邻的k个实例（即上述k邻域），此k实例，它们的k个Instancemost属于某个类别，并将输入实例分类为该类。
SVM
使用铰链损失功能来计算经验风险，并将正则化项目添加到解决方案系统中以优化结构风险。它是具有稀疏和稳定性的分类器。
神经网络
人工神经网络是某种简化意义上生物神经网络的技术恢复。它的主要任务是根据生物神经网络和实际应用的原理建立一个实用的人工神经网络模型，设计相应的学习算法，模拟人类和人类。大脑的一些智能活动，然后在技术上实施为了解决实际问题。因此，生物神经网络主要研究智力机制；人工神经网络主要研究智能机制的实现，两者相互补充。
人工智能的三个基石 - 算法，数据和计算能力。作为其中之一，算法非常重要。那么，人工智能将涉及哪些算法？哪些方案适合不同的算法？
I.不同的建模方法可以分为四类：监督的学习，无监督的学习，半监督学习和强化学习。
常见的监督学习算法包括以下类别：
（1）人工神经网络类：返回传播，Boltzmann机器，卷积神经网络，Hopfield Network和Multi -Layer Antiementsmultilyer Perceptron，Radial Basit功能网络（RBFN），受限制的限制性玻尔兹曼机器，返回神经网络（RNN）和自我自我网络（RNN），以及自我自我网络（RNN），以及自我自我网络（RNN），以及自我自我网络（RNN）（RNN）有组织的映射（自我）组织地图，SOM），尖峰神经网络等。
（2）贝丝辛：天真的贝叶斯，高斯天真的贝叶斯，许多多项式幼稚的贝叶斯，平均依赖性评估依赖性估计器，AODE）
贝叶斯信仰网络（BBN），贝叶斯网络（BN），等。
（3）决策树类：分类和回归树（CART），迭代二分法3（迭代二分法3，ID3），C4.5算法（C4.5算法），C5.0算法（C5.0算法），Chi-squared自动互动检测（CHAID），决策树桩，ID3算法，ID3算法（ID3），随机森林（监督铅））等待。
（4）线性分类器类：Fisher的线性判别（Fisher的线性判别）
常见的无监督学习算法包括：
（1）人工神经网络：生成对抗网络（GAN），FEDForward神经网络，逻辑学习机和自我图像）等。
（2）协会规则学习类：Apriori算法，ECLAT算法，FP-GROWTH算法等
（3）分层聚类：单链群集，概念聚类等。
（4）聚类分析：桦木算法，DBSCAN算法，预计将最大化（EM），模糊聚类，K-Means算法，K-MEANS聚类），K-MEDIANS群集，平均漂移算法（平均值移动），Optics AlgorithM，Optics Algorithm，，，，algorithm，，，algorithm，optics algorithm，，，，shift algorithm，，，，shift algorithm，，，，shorgorithm，sETC。
（5）异常检测类别：K-Nearest邻居（KNN）算法（KNN）算法，局部异常因子（LOF），等等。
常见的半监督学习算法包括：生成模型，低密度分离，基于图形的方法，共培训等。
常见的增强学习算法包括：Q-学习（Q学习），状态奖励 - 奖励 - 奖励 - 奖励 - 奖励状态（SARSA），DQN（深Q网络）和战略梯度算法（策略等级），基于模型的RL，暂时不同的学习等等。
常见的深度学习算法包括：深信念机器，深度卷积神经网络，深度循环神经网络和层次结构，），深玻尔兹曼机器（DBM），堆叠的自动编码器，生成对抗性网络，等等。
2.根据任务的差异进行分类，可以将大致分为两类分类算法（两类分类），多级分类，回归，聚类和异常检测义检测）。
1.两级分类
（1）两类类别支持向量机（两级SVM）：它适用于具有更多数据功能和线性模型的方案。
（2）两级平均感知器：适用于具有短训练时间和线性模型的场景。
（3）两类逻辑回归：适用于具有短训练时间和线性模型的场景。
（4）两级贝叶斯点机：适用于训练时间短和线性模型的场景。（5）两级决策森林：适用于短期训练时间和准确的场景。
（6）两级提升决策树：适用于训练时间短，准确性且记忆率较大的场景
（7）两级决策丛林：它适用于训练时间短，准确性和少量记忆职业的场景。
（8）两类本地深SVM：适用于具有更多数据功能的方案。
（9）两级神经网络：它适用于具有高精度和较长训练时间的场景。
解决多分类问题通常应用三个解决方案：第一个解决方案，从数据集和适用的方法开始，并使用两个类别的分类器来求解多重分类问题；，将两个分类器改进到今天的多类分类器求解中。
常见算法：
（1）多类逻辑回归：具有短训练时间和线性模型的适用场景。
（2）多类神经网络：适用于具有高精度和较长训练时间的场景。
（3）多类决策森林：它适用于具有高精度和短训练时间的场景。
（4）多类决策丛林：它适用于精度高且内存少的场景。
（5）“一到杂化”多级类别（一vs-All多类）：取决于连膜的效果。
返回
回归问题通常用于预测特定值而不是分类。除了回报的结果，其他方法类似于分类问题。我们调用定量输出或连续变量预测。固定输出或离散变量预测称为分类。长毛巾的算法为：
（1）序数回归：它适用于分类数据分类。
（2）索斯回归：适合预测事件的场景。
（3）快速森林分位回归：它适用于预测分布。
（4）线性回归：它适用于短训练时间和线性模型的场景。
（5）贝叶斯线性回归：它适用于线性模型和更少的训练数据。
（6）神经网络回归：它适用于具有高精度和较长训练时间的场景。
（7）决策森林回归：适用于具有高精度和短训练时间的场景。
（8）增强决策树回归：它适用于具有高精度，较短训练时间和大量记忆职业的场景。
簇
聚类的目的是找到数据的潜在定律和结构。分类通常用作描述和测量不同数据源之间的相似性，并且数据源被分类为不同的群集。
（1）分层聚类：适用于训练时间短和大数据的场景。
（2）K-均值算法：适用于高精度和短训练时间的场景。
（3）模糊C均值（FCM）：适用于具有高精度和短训练时间的场景。
（4）SOM神经网络（SOM）：SOM）：适用于长期。
异常检测
异常检测是指数据中异常或非典型分裂的检测和迹象，这有时称为偏差检测。
异常测试似乎与监督和学习非常相似，所有这些测试均已分类。它们均被预测和判断样本的标签，但实际上两者之间的差异非常大，因为阳性样品（异常点）在异常检测中很小。公共算法为：
（1）一级SVM（一级SVM）：适用于具有更多数据功能的方案。
（2）基于PCA的异常检测（基于PCA的异常检测）：适用于训练时间短的场景。
常见的迁移学习算法包括：归纳转移，跨传输转移学习，无监督的转移）本质
适用的算法方案：
需要考虑的因素是：
（1）数据，数据质量和数据本身的特征
（2）在机器学习中要解决的特定业务方案中问题的本质是什么？
（3）可接受的计算时间是多少？
（4）该算法的准确性要求有多高？
—————————————————————————————
原始链接：
人工智能是一种用于模拟，扩展和扩展智能的研发的新技术，方法，技术和应用系统。人工智能领域的研究包括机器人，语言识别，图像识别，自然语言处理和专家系统。
人工智能（人工智能），英语缩写是AI。它是一种新技术，方法，技术和应用系统，用于智能理论，方法，技术和应用系统，用于模拟，扩展和扩展。
人工智能是计算机科学的一个分支。它试图理解智力的本质，并可以生产一种可以响应人类智力的新智能机器。自然语言处理和专家系统。
由于人工智能的诞生，理论和技术变得越来越成熟，并且应用领域正在不断扩展。可以想象，人工智能在未来带来的科学和技术产品将是人类智慧的“容器”。人工智能可以模拟人类意识和思维的信息过程。尽管人工智能不是人工智能，但它不是人类的智能，它可以像人类一样思考，最终超越人类的智慧。
优势：
1.在生产方面，机械和人工智能实体具有较高的效率和低成本，取代了人们的各种能力，人工劳动将被大大解放。
2.人类的环境问题将在一定程度上得到改善，更少的资源可以满足更大的需求。
3.人工智能可以提高人类了解世界并适应世界的能力。
缺点：
1.人工智能取代了人类做各种事情。人类失业率将大大增加，人类将处于无依赖生存状态。
结论：以上是首席CTO注释引入的有关人工智能行业的算法的全部内容。我希望这对每个人都会有所帮助。如果您想了解有关此信息的更多信息，请记住要收集对该网站的关注。