参加完2017CCAI，听完各位专家的演讲后受益匪浅。立志写“人工智能之机器学习”系列，此为开篇，主要梳理了机器学习方法体系，人工智能相关趋势，Python与机器学习，以及结尾的一点感恩。
1.人工智能之机器学习体系汇总
【直接上干货】此处梳理出面向人工智能的机器学习方法体系，主要体现机器学习方法和逻辑关系，理清机器学习脉络，后续文章会针对机器学习系列讲解算法原理和实战。抱着一颗严谨学习之心，有不当之处欢迎斧正。
-
监督学习 Supervised learning
-
人工神经网络 Artificial neural network
- 自动编码器 Autoencoder
- 反向传播 Backpropagation
- 玻尔兹曼机 Boltzmann machine
- 卷积神经网络 Convolutional neural network
- Hopfield网络 Hopfield network
- 多层感知器 Multilayer perceptron
- 径向基函数网络（RBFN） Radial basis function network(RBFN)
- 受限玻尔兹曼机 Restricted Boltzmann machine
- 回归神经网络（RNN） Recurrent neural network(RNN)
- 自组织映射（SOM） Self-organizing map(SOM)
- 尖峰神经网络 Spiking neural network
-
贝叶斯 Bayesian
- 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
- 平均一依赖性评估（AODE） Averaged One-Dependence Estimators(AODE)
- 贝叶斯信念网络（BNN） Bayesian Belief Network(BBN)
- 贝叶斯网络（BN） Bayesian Network(BN)
-
决策树 Decision Tree
- 分类和回归树（CART） Classification and regression tree (CART)
- 迭代Dichotomiser 3（ID3） Iterative Dichotomiser 3(ID3)
- C4.5算法 C4.5 algorithm
- C5.0算法 C5.0 algorithm
- 卡方自动交互检测（CHAID） Chi-squared Automatic Interaction Detection(CHAID)
- 决策残端 Decision stump
- ID3算法 ID3 algorithm
- 随机森林 Random forest
- SLIQ
-
线性分类 Linear classifier
- Fisher的线性判别 Fisher's linear discriminant
- 线性回归 Linear regression
- Logistic回归 Logistic regression
- 多项Logistic回归 Multinomial logistic regression
- 朴素贝叶斯分类器 Naive Bayes classifier
- 感知 Perceptron
- 支持向量机 Support vector machine
-
-
无监督学习 Unsupervised learning
-
人工神经网络 Artificial neural network
- 对抗生成网络
-
前馈神经网络 Feedforward neurral network
- 极端学习机 Extreme learning machine
- 逻辑学习机 Logic learning machine
- 自组织映射 Self-organizing map
-
关联规则学习 Association rule learning
- 先验算法 Apriori algorithm
- Eclat算法 Eclat algorithm
- FP-growth算法 FP-growth algorithm
-
分层聚类 Hierarchical clustering
- 单连锁聚类 Single-linkage clustering
- 概念聚类 Conceptual clustering
-
聚类分析 Cluster analysis
- BIRCH
- DBSCAN
- 期望最大化（EM） Expectation-maximization(EM)
- 模糊聚类 Fuzzy clustering
- K-means算法 K-means algorithm
- k-均值聚类 K-means clustering
- k-位数 K-medians
- 平均移 Mean-shift
- OPTICS算法 OPTICS algorithm
-
异常检测 Anomaly detection
- k-最近邻算法（K-NN） k-nearest neighbors classification(K-NN)
- 局部异常因子 Local outlier factor
-
-
半监督学习 Semi-supervised learning
- 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
-
强化学习 Reinforcement learning
- 时间差分学习 Temporal difference learning
- Q学习 Q-learning
- 学习自动 Learning Automata
- 状态-行动-回馈-状态-行动（SARSA） State-Action-Reward-State-Action(SARSA)
-
深度学习 Deep learning
- 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 networks
- 分层时间记忆 Hierarchical temporal memory
- 深度玻尔兹曼机（DBM） Deep Boltzmann Machine(DBM)
- 堆叠自动编码器 Stacked Boltzmann Machine
- 生成式对抗网络 Generative adversarial networks
-
迁移学习 Transfer learning
- 传递式迁移学习 Transitive Transfer Learning
-
其他
-
集成学习算法
- Bootstrap aggregating (Bagging)
- AdaBoost
- 梯度提升机（GBM） Gradient boosting machine(GBM)
- 梯度提升决策树（GBRT） Gradient boosted decision tree(GBRT)
-
降维
- 主成分分析（PCA） Principal component analysis(PCA)
- 主成分回归（PCR） Principal component regression(PCR)
- 因子分析 Factor analysis
-
学习应当严谨，有不当场之处欢迎斧正。
强力驱动 Wikipedia CSDN
2.人工智能相关趋势分析
2.1.人工智能再次登上历史舞台
人工智能与大数据对比——当今人工智能高于大数据
[数据来自Goolge trends]
2.2.Python才是王道
[数据来自Google trends]
2.3.深度学习趋势大热
[数据来自Google trends]
2.4.中国更爱深度学习
[数据来源-Google trends]
3.结语
关于人工智能的一点感想，写在最后
AI systems can’t model everything... AI needs to be robust to “unknown unknowns” [Thomas G.Dietterich ,2017CCAI]
中国自古有之
“知之为知之，不知为不知，是知也”【出自《论语》】
人工智能已然是历史的第三波浪潮，堪称“工业4.0”，有突破性的成就，但也有未解之谜。真正创造一个有认知力的“生命”——还有很大的难度。希望此次浪潮会持续下去，创造出其真正的价值，而非商业泡沫。
大多数的我们发表不了顶级学术论文，开创不了先河。不要紧，沉下心，努力去实践。
人工智能路漫漫，却让我们的生活充满了机遇与遐想。
立志每周【周日】更新一篇“人工智能之机器学习”系列。Github开源机器学习系列文章及算法源码
感谢CSDN的2017CCAI参会机遇与分享平台。
