1.回归2.分类3.聚类4.降维5.集成方法6.神经网络与深度学习7.迁移学习8.强化学习9.自然语言处理10.词嵌入***，在介绍这些方法之前，还是先来区分一下监督学习和无监督学习这两种机器学习类别吧。监督学习用于在已有数据的情况下进行预测或解释，即通过先前输入和输出的数据来预测基于新数据的输出。比如，监督机器学习技术可用来帮助某服务企业预测未来一个月订购该服务的新用户量。相比之下，无监督机器学习是在不使用目标变量进行预测的情况下，对数据点进行关联和分组。换言之，它根据特征评估数据，并根据这些特征，将相似的数据聚集在一起。例如，无监督学习技术可用来帮助零售商对具有相似特征的产品进行分类，而且无需事先指定具体特征是什么。 深度智谷深度人工智能学院图像金字塔。福建机器学习培训 周末班
（6）神经网络神经网络分类算法的重点是构造阈值逻辑单元，一个值逻辑单元是一个对象，它可以输入一组加权系数的量，对它们进行求和，如果这个和达到或者超过了某个阈值，输出一个量。如有输入值X1,X2,...,Xn和它们的权系数：W1,W2,...,Wn，求和计算出的Xi*Wi，产生了激发层a=(X1*W1)+(X2*W2)+...+(Xi*Wi)+...+(Xn*Wn)，其中Xi是各条记录出现频率或其他参数，Wi是实时特征评估模型中得到的权系数。神经网络是基于经验风险**小化原则的学习算法，有一些固有的缺陷，比如层数和神经元个数难以确定，容易陷入局部极小，还有过学习现象，这些本身的缺陷在SVM算法中可以得到很好的解决。 安徽机器学习培训班深度智谷深度人工智能学院
2.分类分类是另一种监督机器学习方法，这一方法对某个类别值进行预测或解释。比如可以用分类的方法来预测线上顾客是否会购买某一产品。输出可分为是或否，即购买者或非购买者。但分类并不限于两个选择。例如，可通过分类来看某一图像中是否有汽车或卡车。在这种情况下，输出就有3个不同值，分别为1）图像包含汽车、2）图像包含卡车或3）图像既不包含汽车也不包含卡车。逻辑回归是分类算法中**简单的一类，这听起来很像一个回归方法，其实不然。逻辑回归是基于一个或多个输入来估计某一事件发生概率的一种算法。例如，逻辑回归可基于学生的两次考试分数来估计该生被某一大学录取的概率。由于估计值是概率，输出只能是介于0和1之间的数字，其中1表示完全确定。对该生而言，如果估计概率大于，预测结果就是：他（她）能被录取，如果估计概率小于，预测结果则为：他（她）不会被录取。下图显示了先前学生的分数以及他们**终的录取结果。用逻辑回归可绘制出一条**决策边界的线。
9.自然语言处理世界上很大一部分数据和知识都以人类语言的形式存在着。你能想象在几秒内阅读、理解成千上万的书、文章和博客吗？显然，计算机还不能完全理解人类语言，但经训练可以完成某些任务。比如可以训练手机自动回复短信或纠正拼写错的单词，甚至可以教一台机器与人进行简单交谈。自然语言处理（NLP）本身不是一种机器学习方法，而是一种用于为机器学习准备文本的技术，其应用十分***。想像一下：有大量各种格式的文本文档（词语、在线博客…等），充满了拼写错误、缺少字符和字词多余的问题。目前，由斯坦福大学的研究人员创建的NLTK（自然语言工具包）是使用**为***的一种文本处理包。将文本映射到数字表示，**简单的方法是计算每个文本文档中各个单词的频率。在一个整数矩阵中，每行**一个文本文档，每列**一个单词。这种单词频率矩阵通常称为术语频率矩阵（TFM）。在这个基础上，可以用矩阵上的每个条目除以每个词在整个文档集中重要程度的权重，从而得到文本文档的另一种流行矩阵表示。这种方法称为术语频率反向文档频率（TFIDF），通常更适用于机器学习任务。 深度智谷深度人工智能学院产品。
第3步：选择一个工具选择一个可以用来提供机器学习结果的比较好工具。将您的过程映射到工具上，并学习如何***地使用它。我推荐的工具有三种：Weka机器学习工作台（适合初学者）。Weka提供了一个GUI界面，不需要代码。我用它来快速地解决一次性建模问题。Weka机器学习迷你课程Python生态系统（中级）。您可以在开发中使用相同的代码和模型，并且足够可靠，可以在操作中运行。Python机器学习迷你课程R平台（高级）。R是为统计计算而设计的，虽然语言比较深奥，而且一些软件包记录不完善，但它提供了大多数方法以及**的技术。R机器学习迷你课程我也有专业领域的建议：Keras深度学习。它使用Python，意味着您可以利用整个Python生态系统，节省大量时间。界面非常干净，同时也支持Theano和Keras，后端的功能非常强大。深度学习迷你课程XGBoost渐变提升。这是该技术**快的实现。它还支持R和Python，使您可以在项目中利用任一平台。XGBoost迷你课程学习如何使用选择的工具，研究它，精通它。什么是编程语言？编程语言并不重要。即使你使用的工具并不重要。通过问题学习的技能将轻松地从平台转移到平台。不过。 深度智谷深度人工智能学院矩阵求导算法。江苏泰迪机器学习培训
深度智谷深度人工智能学院机器学习就业。福建机器学习培训 周末班
4.**近领算法——KNNKNN即**近邻算法，其主要过程为：1.计算训练样本和测试样本中每个样本点的距离（常见的距离度量有欧式距离，马氏距离等）；2.对上面所有的距离值进行排序；3.选前k个**小距离的样本；4.根据这k个样本的标签进行投票，得到***的分类类别；如何选择一个比较好的K值，这取决于数据。一般情况下，在分类时较大的K值能够减小噪声的影响。但会使类别之间的界限变得模糊。一个较好的K值可通过各种启发式技术来获取，比如，交叉验证。另外噪声和非相关性特征向量的存在会使K近邻算法的准确性减小。近邻算法具有较强的一致性结果。随着数据趋于无限，算法保证错误率不会超过贝叶斯算法错误率的两倍。对于一些好的K值，K近邻保证错误率不会超过贝叶斯理论误差率。KNN算法的优点理论成熟，思想简单，既可以用来做分类也可以用来做回归；可用于非线性分类；训练时间复杂度为O(n)；对数据没有假设，准确度高，对outlier不敏感；缺点计算量大；样本不平衡问题（即有些类别的样本数量很多，而其它样本的数量很少）；需要大量的内存。 福建机器学习培训 周末班
成都深度智谷科技有限公司拥有人工智能基础软件开发；人工智能教育服务；云计算装备技术服务；人工智能通用应用系统；企业管理咨询；技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广；人工智能行业应用系统集成服务；互联网数据服务。等多项业务，主营业务涵盖人工智能培训，深度学习培训，AI培训，AI算法工程师培训。一批专业的技术团队，是实现企业战略目标的基础，是企业持续发展的动力。公司业务范围主要包括：人工智能培训，深度学习培训，AI培训，AI算法工程师培训等。公司奉行顾客至上、质量为本的经营宗旨，深受客户好评。公司力求给客户提供全数良好服务，我们相信诚实正直、开拓进取地为公司发展做正确的事情，将为公司和个人带来共同的利益和进步。经过几年的发展，已成为人工智能培训，深度学习培训，AI培训，AI算法工程师培训行业出名企业。
