人工智能的三大基石—算法蛋铆、數(shù)據(jù)和計(jì)算能力滨溉，算法作為其中之一，是非常重要的维咸，那么人工智能都會涉及哪些算法呢渠啤？不同算法適用于哪些場景呢狐肢？
一、按照模型訓(xùn)練方式不同可以分為監(jiān)督學(xué)習(xí)（Supervised Learning）埃篓，無監(jiān)督學(xué)習(xí)（Unsupervised Learning）处坪、半監(jiān)督學(xué)習(xí)（Semi-supervised Learning）和強(qiáng)化學(xué)習(xí)（Reinforcement Learning）四大類。
常見的監(jiān)督學(xué)習(xí)算法包含以下幾類：
（1）人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）類：反向傳播（Backpropagation）、波爾茲曼機(jī)（Boltzmann Machine）同窘、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network）玄帕、Hopfield網(wǎng)絡(luò)（hopfield Network）、多層感知器（Multilyer Perceptron）想邦、徑向基函數(shù)網(wǎng)絡(luò)（Radial Basis Function Network裤纹，RBFN）、受限波爾茲曼機(jī)（Restricted Boltzmann Machine）丧没、回歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network鹰椒，RNN）、自組織映射（Self-organizing Map呕童，SOM）漆际、尖峰神經(jīng)網(wǎng)絡(luò)（Spiking Neural Network）等。
（2）貝葉斯類（Bayesin）：樸素貝葉斯（Naive Bayes）夺饲、高斯貝葉斯（Gaussian Naive Bayes）奸汇、多項(xiàng)樸素貝葉斯（Multinomial Naive Bayes）、平均-依賴性評估（Averaged One-Dependence Estimators往声，AODE）
貝葉斯信念網(wǎng)絡(luò)（Bayesian Belief Network擂找，BBN）、貝葉斯網(wǎng)絡(luò)（Bayesian Network浩销，BN）等贯涎。
（3）決策樹（Decision Tree）類：分類和回歸樹（Classification and Regression Tree，CART）慢洋、迭代Dichotomiser3（Iterative Dichotomiser 3塘雳， ID3）,C4.5算法（C4.5 Algorithm）、C5.0算法（C5.0 Algorithm）且警、卡方自動交互檢測（Chi-squared Automatic Interaction Detection粉捻，CHAID）、決策殘端（Decision Stump）斑芜、ID3算法（ID3 Algorithm）肩刃、隨機(jī)森林（Random Forest）、SLIQ（Supervised Learning in Quest）等杏头。
（4）線性分類器（Linear Classifier）類：Fisher的線性判別（Fisher’s Linear Discriminant）
線性回歸（Linear Regression）盈包、邏輯回歸（Logistic Regression）、多項(xiàng)邏輯回歸（Multionmial Logistic Regression）醇王、樸素貝葉斯分類器（Naive Bayes Classifier）呢燥、感知（Perception）、支持向量機(jī)（Support Vector Machine）等寓娩。
常見的無監(jiān)督學(xué)習(xí)類算法包括：
（1） 人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）類：生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks叛氨，GAN）呼渣，前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Network）、邏輯學(xué)習(xí)機(jī)（Logic Learning Machine）寞埠、自組織映射（Self-organizing Map）等屁置。
（2） 關(guān)聯(lián)規(guī)則學(xué)習(xí)（Association Rule Learning）類：先驗(yàn)算法（Apriori Algorithm）、Eclat算法（Eclat Algorithm）仁连、FP-Growth算法等蓝角。
（3）分層聚類算法（Hierarchical Clustering）：單連鎖聚類（Single-linkage Clustering），概念聚類（Conceptual Clustering）等饭冬。
（4）聚類分析（Cluster analysis）：BIRCH算法使鹅、DBSCAN算法，期望最大化（Expectation-maximization昌抠，EM）患朱、模糊聚類（Fuzzy Clustering）、K-means算法扰魂、K均值聚類（K-means Clustering）麦乞、K-medians聚類、均值漂移算法（Mean-shift）劝评、OPTICS算法等。
（5）異常檢測（Anomaly detection）類：K最鄰近（K-nearest Neighbor倦淀，KNN）算法蒋畜，局部異常因子算法（Local Outlier Factor，LOF）等撞叽。
常見的半監(jiān)督學(xué)習(xí)類算法包含：生成模型（Generative Models）姻成、低密度分離（Low-density Separation）、基于圖形的方法（Graph-based Methods）愿棋、聯(lián)合訓(xùn)練（Co-training）等科展。
常見的強(qiáng)化學(xué)習(xí)類算法包含：Q學(xué)習(xí)（Q-learning）、狀態(tài)-行動-獎勵(lì)-狀態(tài)-行動（State-Action-Reward-State-Action糠雨，SARSA）才睹、DQN（Deep Q Network）、策略梯度算法（Policy Gradients）甘邀、基于模型強(qiáng)化學(xué)習(xí)（Model Based RL）琅攘、時(shí)序差分學(xué)習(xí)（Temporal Different Learning）等。
常見的深度學(xué)習(xí)類算法包含：深度信念網(wǎng)絡(luò)（Deep Belief Machines）松邪、深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Networks）坞琴、深度遞歸神經(jīng)網(wǎng)絡(luò)（Deep Recurrent Neural Network）、分層時(shí)間記憶（Hierarchical Temporal Memory逗抑，HTM）剧辐、深度波爾茲曼機(jī)（Deep Boltzmann Machine寒亥，DBM）、棧式自動編碼器（Stacked Autoencoder）荧关、生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks）等溉奕。
二、按照解決任務(wù)的不同來分類羞酗，粗略可以分為二分類算法（Two-class Classification）腐宋、多分類算法（Multi-class Classification）、回歸算法（Regression）檀轨、聚類算法（Clustering）和異常檢測（Anomaly Detection）五種胸竞。
1.二分類（Two-class Classification）
（1）二分類支持向量機(jī)（Two-class SVM）：適用于數(shù)據(jù)特征較多、線性模型的場景参萄。
（2）二分類平均感知器（Two-class Average Perceptron）：適用于訓(xùn)練時(shí)間短卫枝、線性模型的場景。
（3）二分類邏輯回歸（Two-class Logistic Regression）：適用于訓(xùn)練時(shí)間短讹挎、線性模型的場景校赤。
（4）二分類貝葉斯點(diǎn)機(jī)（Two-class Bayes Point Machine）：適用于訓(xùn)練時(shí)間短、線性模型的場景筒溃。（5）二分類決策森林（Two-class Decision Forest）：適用于訓(xùn)練時(shí)間短马篮、精準(zhǔn)的場景。
（6）二分類提升決策樹（Two-class Boosted Decision Tree）：適用于訓(xùn)練時(shí)間短怜奖、精準(zhǔn)度高浑测、內(nèi)存占用量大的場景
（7）二分類決策叢林（Two-class Decision Jungle）：適用于訓(xùn)練時(shí)間短、精確度高歪玲、內(nèi)存占用量小的場景迁央。
（8）二分類局部深度支持向量機(jī)（Two-class Locally Deep SVM）：適用于數(shù)據(jù)特征較多的場景。
（9）二分類神經(jīng)網(wǎng)絡(luò)（Two-class Neural Network）：適用于精準(zhǔn)度高滥崩、訓(xùn)練時(shí)間較長的場景岖圈。
解決多分類問題通常適用三種解決方案：第一種，從數(shù)據(jù)集和適用方法入手钙皮，利用二分類器解決多分類問題蜂科；第二種，直接使用具備多分類能力的多分類器株灸；第三種崇摄，將二分類器改進(jìn)成為多分類器今兒解決多分類問題。
常用的算法：
（1）多分類邏輯回歸（Multiclass Logistic Regression）：適用訓(xùn)練時(shí)間短慌烧、線性模型的場景逐抑。
（2）多分類神經(jīng)網(wǎng)絡(luò)（Multiclass Neural Network）：適用于精準(zhǔn)度高、訓(xùn)練時(shí)間較長的場景屹蚊。
（3）多分類決策森林（Multiclass Decision Forest）：適用于精準(zhǔn)度高厕氨，訓(xùn)練時(shí)間短的場景进每。
（4）多分類決策叢林（Multiclass Decision Jungle）：適用于精準(zhǔn)度高，內(nèi)存占用較小的場景命斧。
（5）“一對多”多分類（One-vs-all Multiclass）：取決于二分類器效果田晚。
回歸
回歸問題通常被用來預(yù)測具體的數(shù)值而非分類。除了返回的結(jié)果不同国葬，其他方法與分類問題類似贤徒。我們將定量輸出，或者連續(xù)變量預(yù)測稱為回歸汇四；將定性輸出接奈，或者離散變量預(yù)測稱為分類。長巾的算法有：
（1）排序回歸（Ordinal Regression）：適用于對數(shù)據(jù)進(jìn)行分類排序的場景通孽。
（2）泊松回歸（Poission Regression）：適用于預(yù)測事件次數(shù)的場景序宦。
（3）快速森林分位數(shù)回歸（Fast Forest Quantile Regression）：適用于預(yù)測分布的場景。
（4）線性回歸（Linear Regression）：適用于訓(xùn)練時(shí)間短背苦、線性模型的場景互捌。
（5）貝葉斯線性回歸（Bayesian Linear Regression）：適用于線性模型，訓(xùn)練數(shù)據(jù)量較少的場景行剂。
（6）神經(jīng)網(wǎng)絡(luò)回歸（Neural Network Regression）：適用于精準(zhǔn)度高秕噪、訓(xùn)練時(shí)間較長的場景。
（7）決策森林回歸（Decision Forest Regression）：適用于精準(zhǔn)度高厚宰、訓(xùn)練時(shí)間短的場景巢价。
（8）提升決策樹回歸（Boosted Decision Tree Regression）：適用于精確度高、訓(xùn)練時(shí)間短固阁、內(nèi)存占用較大的場景。
聚類
聚類的目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)的潛在規(guī)律和結(jié)構(gòu)城菊。聚類通常被用做描述和衡量不同數(shù)據(jù)源間的相似性备燃，并把數(shù)據(jù)源分類到不同的簇中。
（1）層次聚類（Hierarchical Clustering）：適用于訓(xùn)練時(shí)間短凌唬、大數(shù)據(jù)量的場景并齐。
（2）K-means算法：適用于精準(zhǔn)度高、訓(xùn)練時(shí)間短的場景客税。
（3）模糊聚類FCM算法（Fuzzy C-means况褪，F(xiàn)CM）：適用于精確度高、訓(xùn)練時(shí)間短的場景更耻。
（4）SOM神經(jīng)網(wǎng)絡(luò)（Self-organizing Feature Map测垛，SOM）：適用于運(yùn)行時(shí)間較長的場景。
異常檢測
異常檢測是指對數(shù)據(jù)中存在的不正逞砭或非典型的分體進(jìn)行檢測和標(biāo)志食侮，有時(shí)也稱為偏差檢測号涯。
異常檢測看起來和監(jiān)督學(xué)習(xí)問題非常相似，都是分類問題锯七。都是對樣本的標(biāo)簽進(jìn)行預(yù)測和判斷链快，但是實(shí)際上兩者的區(qū)別非常大，因?yàn)楫惓z測中的正樣本（異常點(diǎn)）非常小眉尸。常用的算法有：
（1）一分類支持向量機(jī)（One-class SVM）：適用于數(shù)據(jù)特征較多的場景域蜗。
（2）基于PCA的異常檢測（PCA-based Anomaly Detection）：適用于訓(xùn)練時(shí)間短的場景。
常見的遷移學(xué)習(xí)類算法包含：歸納式遷移學(xué)習(xí)（Inductive Transfer Learning） 噪猾、直推式遷移學(xué)習(xí)（Transductive Transfer Learning）霉祸、無監(jiān)督式遷移學(xué)習(xí)（Unsupervised Transfer Learning）、傳遞式遷移學(xué)習(xí)（Transitive Transfer Learning）等畏妖。
算法的適用場景：
需要考慮的因素有：
（1）數(shù)據(jù)量的大小脉执、數(shù)據(jù)質(zhì)量和數(shù)據(jù)本身的特點(diǎn)
（2）機(jī)器學(xué)習(xí)要解決的具體業(yè)務(wù)場景中問題的本質(zhì)是什么？
（3）可以接受的計(jì)算時(shí)間是什么戒劫？
（4）算法精度要求有多高半夷？
————————————————
