登錄
登入

心智圖資源庫機器學習演算法分類

機器學習演算法分類

機器學習演算法分類總結！下圖整理總結了機器學習演算法分類，包括監督學習、無監督學習、半監督學習、強化學習、遷移學習、深度學習演算法等內容。希望本圖能夠對你有幫助！

編輯於2020-04-08 10:06:19

슈퍼직장인

最近的作品檢視更多>>

(III) 저산소 유도 인자 프롤릴 하이드 록 실라 제 억제제
이것은 (III) 저산소증-유도 인자 프롤릴 하이드 록 실라 제 억제제에 대한 마인드 맵이며, 주요 함량은 다음을 포함한다 : 저산소증-유도 인자 프롤릴 하이드 록 실라 제 억제제 (HIF-PHI)는 신장 빈혈의 치료를위한 새로운 소형 분자 경구 약물이다. 1. HIF-PHI 복용량 선택 및 조정. Rosalasstat의 초기 용량, 2. HIF-PHI 사용 중 모니터링, 3. 부작용 및 예방 조치.
Kuka 산업용 로봇의 개발 및 Kuka 산업 로봇의 모션 제어 명령
이것은 Kuka Industrial Robots의 개발 및 Kuka Industrial Robot의 모션 제어 지침에 대한 마인드 맵입니다. 주요 내용에는 쿠카 산업 로봇의 역사, 쿠카 산업 로봇의 특성, 쿠카 산업 로봇의 응용 분야, 2. 포장 프로세스에서 쿠카 로봇은 빠르고 일관된 포장 작업을 달성하고 포장 효율성을 높이며 인건비를 줄입니다. 2. 인건비 감소 : 자동화는 운영자에 대한 의존성을 줄입니다. 3. 조립 품질 향상 : 정확한 제어는 인간 오류를 줄입니다.
1.1 컴퓨터 네트워크 요약
408 컴퓨터 네트워크가 너무 어렵습니까? 두려워하지 마세요! 나는 피를 구토하고 지식 맥락을 명확히하는 데 도움이되는 매우 실용적인 마인드 맵을 분류했습니다. 컨텐츠는 매우 완전합니다. 네트워크 아키텍처에서 응용 프로그램 계층, TCP/IP 프로토콜, 서브넷 디비전 및 기타 핵심 포인트에 이르기까지 원칙을 철저히 이해하는 데 도움이 될 수 있습니다. 📈 명확한 논리 : Mindmas 보물, 당신은 드문 기회가 있습니다. 서둘러! 이 마인드 맵을 사용하여 408 컴퓨터 네트워크의 학습 경로에서 바람과 파도를 타고 성공적으로 해변을 얻으십시오! 도움이 필요한 친구들과 공유해야합니다!

機器學習演算法分類

슈퍼직장인

最近的作品檢視更多>>

推薦給您
大綱

機器學習演算法線性迴歸決策樹筆記自學心智圖
- 11
슈퍼직장인
機器學習演算法與諾莫圖建構對第2型糖尿病患者糖尿病視網膜病變預測
- 9
Gavinnblake

機器學習演算法分類

機器學習依訓練方式分類

監督學習（Supervised Learning）

人工神經網路（Artificial Neural Network）類

反向傳播（Backpropagation）

波爾茲曼機（Boltzmann Machine）

卷積神經網路（Convolutional Neural Network）

Hopfield網路（hopfield Network）

多層感知器（Multilyer Perceptron）

徑向基底函數網路（Radial Basis Function Network，RBFN）

受限波爾茲曼機（Restricted Boltzmann Machine）

回歸神經網路（Recurrent Neural Network，RNN）

自組織映射（Self-organizing Map，SOM）

尖峰神經網路（Spiking Neural Network）

貝葉斯類（Bayesin）

樸素貝葉斯（Naive Bayes）

高斯貝葉斯（Gaussian Naive Bayes）

多項樸素貝葉斯（Multinomial Naive Bayes）

平均-依賴性評估（Averaged One-Dependence Estimators，AODE）

貝葉斯信念網（Bayesian Belief Network，BBN）

貝葉斯網路（Bayesian Network，BN）

決策樹（Decision Tree）類

分類與迴歸樹（Classification and Regression Tree，CART）

迭代Dichotomiser3（Iterative Dichotomiser 3， ID3）

C4.5演算法（C4.5 Algorithm）

C5.0演算法（C5.0 Algorithm）

卡方自動互動偵測（Chi-squared Automatic Interaction Detection，CHAID）

決策殘端（Decision Stump）

ID3演算法（ID3 Algorithm）

隨機森林（Random Forest）

SLIQ（Supervised Learning in Quest）

線性分類器（Linear Classifier）類

Fisher的線性判別（Fisher’s Linear Discriminant）

線性迴歸（Linear Regression）

邏輯迴歸（Logistic Regression）

多項邏輯迴歸（Multionmial Logistic Regression）

樸素貝葉斯分類器（Naive Bayes Classifier）

感知（Perception）

支援向量機（Support Vector Machine）

無監督學習（Unsupervised Learning）

人工神經網路（Artificial Neural Network）類

生成對抗網路（Generative Adversarial Networks，GAN）

前饋神經網路（Feedforward Neural Network）

邏輯學習機（Logic Learning Machine）

自組織映射（Self-organizing Map）

關聯規則學習（Association Rule Learning）類

先驗演算法（Apriori Algorithm）

Eclat演算法（Eclat Algorithm）

FP-Growth演算法

分層聚類演算法（Hierarchical Clustering）

單連鎖聚類（Single-linkage Clustering）

概念聚類（Conceptual Clustering）

聚類分析（Cluster analysis）

BIRCH演算法

DBSCAN演算法

期望最大化（Expectation-maximization，EM）

模糊聚類（Fuzzy Clustering）

K-means演算法

K均值聚類（K-means Clustering）

K-medians聚類

均值漂移演算法（Mean-shift）

OPTICS演算法

異常檢測（Anomaly detection）類

K最鄰近（K-nearest Neighbor，KNN）演算法

局部異常因子演算法（Local Outlier Factor，LOF）

半監督學習（Semi-supervised Learning）

生成模型（Generative Models）

低密度分離（Low-density Separation）

基於圖形的方法（Graph-based Methods）

聯合訓練（Co-training）

強化學習（Reinforcement Learning）

Q學習（Q-learning）

狀態-行動-獎勵-狀態-行動（State-Action-Reward-State-Action，SARSA）

DQN（Deep Q Network）

策略梯度演算法（Policy Gradients）

基於模型強化學習（Model Based RL）

時序差分學習（Temporal Different Learning）

深度學習（Deep Learning）

深度信念網（Deep Belief Machines）

深度卷積神經網路（Deep Convolutional Neural Networks）

深度遞歸神經網路（Deep Recurrent Neural Network）

分層時間記憶（Hierarchical Temporal Memory，HTM）

深度波爾茲曼機（Deep Boltzmann Machine，DBM）

棧式自動編碼器（Stacked Autoencoder）

生成對抗網絡（Generative Adversarial Networks）

遷移學習（Transfer Learning）

歸納式遷移學習（Inductive Transfer Learning）

直推式遷移學習（Transductive Transfer Learning）

無監督式遷移學習（Unsupervised Transfer Learning）

傳遞式遷移學習（Transitive Transfer Learning）

機器學習依照解決問題分類

二分類演算法（Two-class Classification）

二分類支援向量機（Two-class SVM）：適用於資料特徵較多、線性模型的場景

二分類平均感知器（Two-class Average Perceptron）：適用於訓練時間短、線性模型的場景。

二分類邏輯迴歸（Two-class Logistic Regression）：適用於訓練時間短、線性模型的場景

二分類貝葉斯點機（Two-class Bayes Point Machine）：適用於訓練時間短、線性模型的場景

二分類決策森林（Two-class Decision Forest）：適用於訓練時間短、精準的場景

二分類提升決策樹（Two-class Boosted Decision Tree）：適用於訓練時間短、精準度高、記憶體佔用量大的場景

二分類決策叢林（Two-class Decision Jungle）：適用於訓練時間短、精確度高、記憶體佔用量小的場景

二分類局部深度支援向量機（Two-class Locally Deep SVM）：適用於資料特徵較多的場景

二分類神經網路（Two-class Neural Network）：適用於精準度高、訓練時間較長的場景

多分類演算法（Multi-class Classification）

多分類邏輯迴歸（Multiclass Logistic Regression）：適用訓練時間短、線性模型的場景

多分類神經網路（Multiclass Neural Network）：適用於精準度高、訓練時間較長的場景

多分類決策森林（Multiclass Decision Forest）：適用於精準度高，訓練時間短的場景

多分類決策叢林（Multiclass Decision Jungle）：適用於精準度高，記憶體佔用較小的場景

「一對多」多分類（One-vs-all Multiclass）：取決於二分類器效果

回歸演算法（Regression）

排序迴歸（Ordinal Regression）：適用於資料分類排序的場景

泊松迴歸（Poission Regression）：適用於預測事件次數的場景

快速森林分位數迴歸（Fast Forest Quantile Regression）：適用於預測分佈的場景

線性迴歸（Linear Regression）：適用於訓練時間短、線性模型的場景

貝葉斯線性迴歸（Bayesian Linear Regression）：適用於線性模型，訓練資料量較少的場景

神經網路迴歸（Neural Network Regression）：適用於精準度高、訓練時間較長的場景

決策森林迴歸（Decision Forest Regression）：適用於精準度高、訓練時間短的場景

提升決策樹回歸（Boosted Decision Tree Regression）：適用於精確度高、訓練時間短、記憶體佔用較大的場景

聚類演算法（Clustering）

層次聚類（Hierarchical Clustering）：適用於訓練時間短、大資料量的場景

K-means演算法：適用於精準度高、訓練時間短的場景

模糊聚類FCM演算法（Fuzzy C-means，FCM）：適用於精確度高、訓練時間短的場景

SOM神經網路（Self-organizing Feature Map，SOM）：適用於運行時間較長的場景

異常檢測（Anomaly Detection）

一分類支援向量機（One-class SVM）：適用於資料特徵較多的場景

基於PCA的異常檢測（PCA-based Anomaly Detection）：適用於訓練時間短的場景