机器学习及其已知算法– MLAlgos
描述和描绘MLAlgos和机器学习是本文的主要思想。我还将尝试回答一些基本问题。尽管这些问题过去已经被回答过很多次，并且可以广泛使用。尽管根据我本人的实际经验在这里再次回答这些问题可能会有所作为，而不是简单地从phd或有希望的学者书籍中回答。
机器学习概览
机器学习的类型
机器学习中的算法– MLAlgos
无论是由骨头，闪光，金属丝还是金属组成的物体，人类孩子或新机器算法的学习过程都是相同的。
机器学习概览
机器学习是人工智能的子集，人工智能借鉴了计算机科学的原理。它不是AI。这是业务和经验与新兴技术相结合并决定共同努力的重点。ML与统计也有非常密切的关系。这是数学的图形分支。它指示算法通过分析数据自行学习。它处理的数据越多，算法就越聪明。直到最近，即使在1950年奠定了基础，ML仍主要限于学术界。
ML已使组织在每种学习类型上都取得了成功，但是正确选择业务问题需要了解哪种条件最适合每种方法。机器学习算法的类型（例如MLAlgos）以及何时使用哪种算法非常重要。任务的目标和在现场完成的所有事情使您处于更好的位置，可以解决实际问题并设计机器学习系统。
机器学习的类型
在进入MLAlgos之前，让我们先了解一些基本知识。开发机器学习的方法包括基于“发生了什么”从数据输入中学习。评估和优化不同的模型结果仍然是此处的重点。截至目前，机器学习已广泛用于数据分析，作为开发用于对数据进行预测的算法的方法。它与概率，统计和线性代数有关。
根据学习和学习系统的性质，机器学习大致分为四类。我觉得很难接受半监督学习。
ML算法
3个专业+ 1个非主要类型
有监督的学习：有 监督的学习获得标记的输入及其期望的输出。目标是学习将输入映射到输出的一般规则。
无监督学习： 机器获取输入时没有期望的输出，目标是在输入中找到结构。
强化学习： 该算法与动态环境互动，并且必须在没有指导或老师的情况下执行特定目标。
半监督学习： 这种类型的ml即半监督算法是在缺少某些数据标签的情况下建立模型的最佳人选。因此，如果数据是标签和未标签的混合，那么这可能是答案。通常，此处使用少量的标记数据和大量的未标记数据。
ML算法
一些流行的机器学习算法（MLAlgos）
线性回归-简单线性回归- 仅存在自变量。多元线性回归-定义自变量和因变量之间的关系
?Logistic回归– 回归分析的一种非常简单的形式，其中结果变量为二进制或二分法。帮助估计调整后的患病率，针对潜在的混杂因素进行调整（超声造影或临床特征）
线性判别分析–   Fisher线性判别的概括，一种用于统计，模式识别和机器学习的方法，用于查找表征或分离两类或更多类对象或事件的特征的线性组合。
分类和回归树-  决策树是用于预测建模机器学习的重要算法类型。一种基于分治法则的贪婪算法。根据优化某些条件的属性测试拆分记录。真正的价值在于确定如何拆分记录。
朴素贝叶斯–朴素贝叶斯分类器是一系列简单的概率分类器，基于贝叶斯定理并在特征之间具有强（朴素）独立性假设。
?K最近邻居– 最懒惰的算法，也是一种非常简单的算法，可以存储所有可用的情况并根据相似性度量预测数字目标。在1970年代初，作为一种非参数技术，KNN已用于统计估计和模式识别。
学习向量量化-  它的目标是通过（少量）原型向量通过识别和分组相似数据的 簇 来表示大量数据。
题库