热门问题
时间线
聊天
视角
機器學習概述
維基媒體列表條目 来自维基百科,自由的百科全书
Remove ads
以下是機器學習的概述和主題指南:
![]() |
機器學習是計算機科學中人工智慧的一個子領域,它使計算機系統能夠從數據中學習並改進功能及性能,而無需顯式編程。它源於對模式識別和計算學習理論的研究。[1] 1959年,亞瑟·李·塞謬爾將機器學習定義為「一門使計算機無需顯式編程即可學習的學科」。[2] 機器學習涉及對能夠從數據中學習並進行預測的算法的研究與構建。[3] 這些算法通過從一組示例觀察數據(即訓練集)構建一個數學模型,來進行數據驅動的預測或決策,而非嚴格遵循靜態程序指令。
機器學習如何分類?
機器學習的應用
機器學習硬體
機器學習工具
- 深度學習軟體比較
- 亞馬遜機器學習
- 微軟Azure機器學習工作室
- DistBelief(已被TensorFlow取代)
- Apache Singa
- Apache MXNet
- Caffe
- PyTorch
- mlpack
- TensorFlow
- Torch
- CNTK
- Accord.NET|Accord.Net
- Jax
- MLJ.jl – 用於 Julia 的機器學習框架
- Deeplearning4j
- Theano
- scikit-learn
- Keras
- Almeida–Pineda 遞歸反向傳播
- ALOPEX
- 反向傳播
- 自舉聚合
- CN2 算法
- 構建技能樹
- Dehaene–Changeux 模型
- 擴散圖
- 基於支配關係的粗糙集方法
- 動態時間規整
- 錯誤驅動學習
- 進化多模態優化
- 期望最大化算法
- 快速ICA
- 前向-後向算法
- GeneRec
- 遺傳算法用於規則集生成
- 生長自組織映射
- 超基函數網絡
- IDistance
- k-最近鄰算法|『'k』'-最近鄰算法
- 核方法用於向量輸出
- 核主成分分析
- Leabra
- Linde–Buzo–Gray算法
- 局部異常因子
- 邏輯學習機
- LogitBoost
- 流形對齊
- 馬爾可夫鏈蒙特卡洛 (MCMC)
- 最小冗餘特徵選擇
- 專家混合模型
- 多核學習
- 非負矩陣分解
- 在線機器學習
- 袋外誤差
- 前額葉皮層基底核工作記憶
- PVLV
- Q學習
- 二次無約束二進制優化
- 查詢級特徵
- Quickprop
- 徑向基函數網絡
- 隨機加權多數投票算法
- 強化學習
- 重複增量修剪以減少誤差(RIPPER)
- Rprop
- 基於規則的機器學習
- 技能鏈
- 稀疏主成分分析
- 狀態-動作-獎勵-狀態-動作
- 隨機梯度下降
- 結構化kNN
- T分布隨機鄰域嵌入
- 時差學習
- 喚醒-睡眠算法
- 加權多數算法(機器學習)
Remove ads
機器學習方法
元學習
貝葉斯統計學
- 貝葉斯知識庫
- 樸素貝葉斯
- 高斯樸素貝葉斯
- 多項式樸素貝葉斯
- 平均單依賴估計器 (AODE)
- 貝葉斯信念網絡 (BBN)
- 貝葉斯網絡 (BN)
決策樹算法
- Apriori算法
- Eclat算法
- FP-growth算法
- 單連結聚類
- 概念聚類
- BIRCH
- DBSCAN
- 期望最大化 (EM)
- 模糊聚類
- 層次聚類
- 『'k』'-均值聚類
- k-中位數|『'k』'-中位數
- 均值漂移|均值漂移
- OPTICS算法
- k-最近鄰算法|『'k』'-最近鄰算法 (『'k』'-NN)
- 局部異常因子
機器學習研究
- 人工智慧項目列表
- 機器學習研究數據集列表
機器學習歷史
- 機器學習時間線
機器學習項目、組織、出版物及活動
- DeepMind
- Google Brain
- OpenAI
- Meta AI
- Hugging Face
參考資料
Wikiwand - on
Seamless Wikipedia browsing. On steroids.
Remove ads