你都熟悉哪些常用的机器学习算法？
回答·7
最热
最新
- 多层神经感知 mlp 算子。
- 本菜鸡简单说一哈。 传统机器学习方面，单模型，先说有监督，k 近邻，朴素贝叶斯，线性回归，逻辑回归，SVM，决策树(ID3，C45，CART)；无监督，层次聚类，kmeans，DBSCAN，还有一些基于线性回归的聚类方法 TClustReg。当然，有监督那里好像又可以分为判别式模型和生成式模型，记不太清了。 集成模型，boosting 算法 adaboost，GBDT，XGBoost，lgbm 还没看；bagging 算法随机森林。 深度学习，基本的 DNN，CNN，RNN，深入一点的自监督学习有 autoencoder，selfattention 以及后面的 transform 和 bert，这个里面也包括 word2vector 这样的操作，还有对抗神经网络 GAN，以及一些烂七八糟的小东西。 当然其中穿插了优化算法求解，从最开始的梯度下降到 SGD，但 adagrad momentum 以及现在最常用的 Adam，其中的 warmup 操作等等。损失函数正则项等等。 知识太多了，都属于理论知识，项目能做点小课程作业，工作中只用到了比较传统的两种线性回归 lasso 和 ridge，努力学习吧。
- 1. 线性回归（Linear Regression）：用于建立输入特征与连续目标变量之间的线性关系模型。 2. 逻辑回归（Logistic Regression）：用于建立输入特征与二分类或多分类目标变量之间的概率关系模型。 3. 决策树（Decision Tree）：通过构建树形结构，根据输入特征进行分类或回归预测。 4. 随机森林（Random Forest）：基于多个决策树构建的集成学习模型，用于分类和回归问题。 5. 支持向量机（Support Vector Machines）：通过在特征空间中构建超平面，实现分类和回归任务。 6. 朴素贝叶斯（Naive Bayes）：基于贝叶斯定理和特征条件独立性假设，用于分类任务。 7. K 近邻算法（K-Nearest Neighbors）：根据输入样本的最近邻进行分类或回归预测。 8. 主成分分析（Principal Component Analysis，PCA）：用于降低数据维度和提取主要特征的无监督学习算法。 9. 聚类算法（Clustering）：如 K 均值聚类（K-Means Clustering）和层次聚类（Hierarchical Clustering），用于将样本划分为不同的组别。 10. 神经网络（Neural Networks）：由多个神经元层组成的网络，用于模拟复杂的非线性关系和解决各种机器学习问题。 这些是常见的机器学习算法，每个算法都有其适用的问题和特点。在实际应用中，根据具体任务和数据情况选择合适的算法是很重要的。
- 我知道个毛线 我又不是工程师
- 熟悉机器学习算法有语义分割和目标检测
- ANN, PLS, Multivariable Linear Regression, SINDy, K-Means
- 神经网络 svm arch 自回归滑动平均值 lstm
相似问题
推荐关注
正在加载中...