简介：许多朋友询问有关人工智能算法类别的问题。首席执行官在本文中注明将为您提供详细的答案，以供所有人参考。我希望这对每个人都会有所帮助！让我们一起看看！
1.深度学习：
深度学习基于现有数据。这是机器学习研究的新领域。该机器将建立和模拟人脑以分析和学习神经网络。它模仿了人脑解释数据的机制。简单的文本学习是一种无监督的学习。
2.自然语言处理：
自然语言处理是一种与计算机与自然语言进行交流的技术。兵工智能分支学科，研究电子计算机模拟人类语言交流过程的使用，以便计算机可以理解和使用人类社会的自然语言，例如中文和英语实现人类机器之间的自然语言沟通，以取代某些人的脑力劳作，包括查询材料，回答问题，文学摘录，装配材料和所有自然语言信息的处理。生活中的电话机器人是自然语言处理。
3.计算机视觉：
计算机视觉是指使用摄像机和计算机而不是人类视觉，例如识别，跟踪和测量目标以及进一步的图形处理，以使计算机处理更适合于人类眼观察或传播到仪器检测的图像;计算机视觉用于使用它。各种公民将视觉器官替换为输入敏感手段，计算机用于完成大脑的处理和解释，而不是大脑。计算机视觉的最终研究目标是启用计算机通过视觉观察和理解世界，像人类一样观察和理解世界。有许多计算机视觉应用程序的例子，包括控制过程，导航和自动检测。
4.智能机器人：
如今，许多聪明的机器人已经开始出现在我们周围。它们具有内部信息传感器和外部信息传感器，例如视觉，听力，触摸和气味。除了传感器外，它还具有效应设备作为充当周围环境的手段。这些机器人与技术密不可分支持人工智能；科学家认为，智能机器人的研发方向是为机器人安装“大脑芯片”，以便它们更聪明。全面的信息处理将是向前迈出的一大步。
5.自动编程：
自动编程是指根据给定问题的原始描述满足要求的自动生成程序。这是一个研究主题，结合了软件工程和人工智能。自动程序设计主要包括两个方面：编程和程序验证。意识到自动编程，也就是说，用户只需要告知机器“做什么”，而无需告诉“如何做”。后者的工作由机器自动完成；后者是该程序的自动验证，该验证会自动完成正确的支票。目的是提高软件生产率和软件产品质量；自动程序设计的任务是设计一个程序系统，接受设计的程序要求，以实现针对其输入的特定目标的非常高级的描述，然后自动生成特定的特定目标以完成此目标。该研究的贡献是将程序调试的概念用作解决的策略。
6.数据挖掘：
数据挖掘通常是指大量数据中隐藏在信息中隐藏的过程。它通常与计算机科学以及统计，在线分析处理，智能检索，机器学习，专家系统（依靠过去的经验规则，），以及实现上述目标的模式识别。ITS分析方法包括：分类，估计，预测，相关分组或相关规则，聚类和复杂的数据类型挖掘。
Qiyu Technology是Runjian Holdings的子公司。它已经在宇宙的宇宙领域深处耕种。这些产品包括Qiaojian Yun 3D内容生产平台，3D LED大屏幕，VR/AR眼镜，无线会议室等，它们都具有军事和学院。
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），受限制的限制性玻璃体机器，返回神经网络（RNN）和自我自我网络（RNN），以及自我自我网络（RNN）和自我有组织的映射（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）数据量的特征，数据质量以及数据本身的特征
（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：
SVM算法，粒子组算法，免疫算法，太多类型，各种算法也具有改进的版本，例如遗传神经网络。根据一本书，应根据特定问题选择书籍，各种算法的性能和有效性。
人工智能的主要典型算法，梯度降低了算法，减少了过度拟合的辍学算法等等。
这四个属于人工智能算法的类别。
它属于神经网络的类别。遗传算法是进化算法的大类别。
人脑神经计算过程的神经网络模拟可以实现高非线性预测和计算。它主要用于非线性拟合和识别。它的特征是“训练”，给出了一些输入，告诉他正确的输出。几次，可以正确预测新输入的神经网络的输出。神经网络广泛用于模式识别和故障诊断BP算法和BP神经网络是神经网络的改进版本，某些神经网络的缺点已得到固定。
遗传算法属于进化算法，并模拟自然自然进化的过程：赢家。个人是不断进化的。只有高质量的个体（最小的目标功能（大）才能进入下一代的再现。这样，最终找到了全球最佳值。遗传算法可以很好地解决高非线性优化的问题传统的优化算法无法解决，并且在各行各业中广泛使用。不同的进化，蚂蚁菌落算法，粒子群算法等是进化算法，但是模拟的生物群对象是不同的。
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。
结论：以上是属于人工智能算法类的主要CTO注释的全部内容。感谢您花时间阅读内容，不要忘记在此网站上找到它。