专注工科类创新实验教学、科研开发20余年!方案覆盖嵌入式、IOT、AI、机器人、新能源等领域。
 
  当前位置:首页 >> 新闻动态 >> 所有行业动态
 
公司新闻
 
培训与竞赛
 
行业新闻
 
产品资讯

点击排行(TOP 10)
  创新设计方案:手机便携式
  首届NAO机器人在线程序设计
  Altera官方视频教程
  中国EDA助力移动互联发展
  嵌入式微处理器选型的考虑
  在京高校专利申请去年首破
  无线充电时代即将普及
  英特尔挑战ARM移动市场
  日本三大电子巨头走下神坛
  德州仪器不再重点投资移动
  华为“网络天线”,颠覆传
 
人工智能领域算法集总
     革新科技  来源:不详 日期:2023/11/29 11:26:39 阅读:177 次
- 返回 -
 
一、按照模型训练方式分类
第一代神经网络(感知机)与第二代神经网络(激活函数)可以分为4类:监督学习、无监督学习、半监督学习、强化学习,第三代神经网络(仿生神经网络)可以分为3类:仿生无监督学习、浅层有监督、深层有监督。
1、常见的监督学习类算法:
(1)人工神经网络(Artificial Neural Network)类
反向传播(Backpropagation)
波尔兹曼机(Boltzmann Machine)
卷积神经网络(Convolutional Neural Network)
Hopfield网络(hopfield Network)
多层感知器(Multilyer Perceptron)
径向基函数网络(Radial Basis Function Network)
受限波尔兹曼机(Restricted Boltzmann Machine)
回归神经网络(Recurrent Neural Network)
自组织映射(Self-organizing Map)
尖峰神经网络(Spiking Neural Network)
(2)贝叶斯类(Bayesin)类:
朴素贝叶斯(Naive Bayes)
高斯贝叶斯(Gaussian Naive Bayes)
多项朴素贝叶斯(Multinomial Naive Bayes)
平均依赖性评估(Averaged One-Dependence Estimators)
贝叶斯信念网络(Bayesian Belief Network)
贝叶斯网络(Bayesian Network)
(3)决策树(Decision Tree)类:
分类和回归树(Classification and Regression Tree)
ID3算法
C4.5算法、C5.0算法
卡方自动交互检测(Chi-squared Automatic Interaction Detection)
决策残端(Decision Stump)
随机森林(Random Forest)
SLIQ(Supervised Learning in Quest)
(4)线性分类器(Linear Classifier)类:
Fisher的线性判别(Fisher’s Linear Discriminant)
线性回归(Linear Regression)
逻辑回归(Logistic Regression)
多项逻辑回归(Multionmial Logistic Regression)
朴素贝叶斯分类器(Naive Bayes Classifier)
感知(Perception)
支持向量机(Support Vector Machine)

2、常见的无监督学习类算法:
(1)人工神经网络(Artificial Neural Network)类:
生成对抗网络(Generative Adversarial Networks)
前馈神经网络(Feedforward Neural Network)
逻辑学习机(Logic Learning Machine)
自组织映射(Self-organizing Map)
(2)关联规则学习(Association Rule Learning)类:
先验算法(Apriori Algorithm)
Eclat算法(Eclat Algorithm)
FP-Growth算法
(3)分层聚类算法(Hierarchical Clustering)类:
单连锁聚类(Single-linkage Clustering)
概念聚类(Conceptual Clustering)
(4)聚类分析(Cluster analysis)类:
BIRCH算法
DBSCAN算法
期望最大化(Expectation-maximization)
模糊聚类(Fuzzy Clustering)
K-means算法
K均值聚类(K-means Clustering)
K-medians聚类
均值漂移算法(Mean-shift)
OPTICS算法等。
(5)异常检测(Anomaly detection)类:
K最邻近算法(K-nearest Neighbor)
局部异常因子算法(Local Outlier Factor)

3、常见的半监督学习类算法:
生成模型(Generative Models)
低密度分离(Low-density Separation)
基于图形的方法(Graph-based Methods)
联合训练(Co-training)

4、常见的深度学习类算法:
深度信念网络(Deep Belief Machines)
深度卷积神经网络(Deep Convolutional Neural Networks)
深度递归神经网络(Deep Recurrent Neural Network)
分层时间记忆(Hierarchical Temporal Memory)
深度波尔兹曼机(Deep Boltzmann Machine)
栈式自动编码器(Stacked Autoencoder)
生成对抗网络(Generative Adversarial Networks)

5、常见的强化学习类算法:
Q学习(Q-learning)
状态-行动-奖励-状态-行动(State-Action-Reward-State-Action)
DQN(Deep Q Network)
策略梯度算法(Policy Gradients)
基于模型强化学习(Model Based RL)
时序差分学习(Temporal Different Learning)


二、按照解决任务分类
可以分为二分类算法(Two-class Classification)、多分类算法(Multi-class Classification)、回归算法(Regression)、聚类算法(Clustering)、异常检测(Anomaly Detection)和迁移学习六种。

1、二分类
二分类支持向量机(Two-class SVM)
二分类平均感知器(Two-class Average Perceptron)
二分类逻辑回归(Two-class Logistic Regression)
二分类贝叶斯点机(Two-class Bayes Point Machine) 
二分类决策森林(Two-class Decision Forest) 
二分类提升决策树(Two-class Boosted Decision Tree)
二分类决策丛林(Two-class Decision Jungle)
二分类局部深度支持向量机(Two-class Locally Deep SVM)
二分类神经网络(Two-class Neural Network)

2、多分类算法
多分类逻辑回归(Multiclass Logistic Regression)
多分类神经网络(Multiclass Neural Network) 
多分类决策森林(Multiclass Decision Forest)
多分类决策丛林(Multiclass Decision Jungle)
“一对多”多分类(One-vs-all Multiclass)

3、回归算法
排序回归(Ordinal Regression)
泊松回归(Poission Regression)
快速森林分位数回归(Fast Forest Quantile Regression) 
线性回归(Linear Regression)
贝叶斯线性回归(Bayesian Linear Regression)
神经网络回归(Neural Network Regression) 
决策森林回归(Decision Forest Regression) 
提升决策树回归(Boosted Decision Tree Regression)

4、聚类算法
层次聚类(Hierarchical Clustering) 
K-means算法
模糊聚类FCM算法(Fuzzy C-means,FCM) 
SOM神经网络(Self-organizing Feature Map,SOM)

5、异常检测算法
一分类支持向量机(One-class SVM)
基于PCA的异常检测(PCA-based Anomaly Detection)

6、迁移学习类算法
归纳式迁移学习(Inductive Transfer Learning) 
直推式迁移学习(Transductive Transfer Learning) 
无监督式迁移学习(Unsupervised Transfer Learning) 
传递式迁移学习(Transitive Transfer Learning)


 
 
   
销售电话:010-82608898     技术支持:82608898-800    Email:sales@gexin.com.cn
Copyright © 2012-2024 版权所有:北京革新创展科技有限公司   京ICP备20004067号-1