前言

在这个暑假，我学习了一些传统的机器学习算法，并对我的学习进行了总结，另外我也开始接触深度学习。本篇文章将再度对一些传统机器学习算法进行总结并且初步介绍一下深度学习。这也算是一个过渡篇章吧。

以下是常见的机器学习算法的分类：

一、监督学习算法（Supervised Learning）：

线性回归（Linear Regression）
逻辑回归（Logistic Regression）
决策树（Decision Trees）
随机森林（Random Forests）
支持向量机（Support Vector Machines）
K最近邻（K-Nearest Neighbors）
朴素贝叶斯（Naive Bayes）

二、无监督学习算法（Unsupervised Learning）：

聚类算法（Clustering Algorithms），如K均值（K-Means）、层次聚类（Hierarchical Clustering）等
关联规则学习（Association Rule Learning）
主成分分析（Principal Component Analysis）
高斯混合模型（Gaussian Mixture Models）
自组织映射（Self-Organizing Maps）

三、半监督学习算法（Semi-Supervised Learning）：

结合了有标签数据和无标签数据进行学习，常用于数据集标签不完整的情况。

四、深度学习算法

如卷积神经网络（Convolutional Neural Networks）和循环神经网络（Recurrent Neural Networks）等。

五、其它

强化学习算法（Reinforcement Learning）：通过试错和奖惩机制来训练智能体（Agent），以最大化某个目标函数。常见算法包括Q-learning和深度强化学习（Deep Reinforcement Learning）。
此外，还有集成学习算法（Ensemble Learning）如Adaboost、Bagging和随机森林；

一、传统机器学习总结

1.1. 监督学习算法（Supervised Learning）

监督学习使用标记数据（具有已知答案的数据）来训练算法
监督学习可以根据已知的垃圾邮件示例分类诸如"什么是电子邮件中的垃圾邮件"之类的数据。
监督学习可以预测结果，例如根据您播放的视频预测您喜欢哪种视频

线性回归算法	百日筑基篇——线性回归算法（python机器学习算法）
决策树与随机森林	机器学习——决策树与随机森林
KNN	机器学习——K最近邻算法（KNN）
逻辑回归	机器学习——逻辑回归（LR）
支持向量机	机器学习——支持向量机（SVM）

机器学习——自然语言处理（NLP）一（额外）

1.2. 无监督学习算法（Unsupervised Learning）

无监督学习用于预测未定义的关系，即没有标签的数据

聚类算法	机器学习——聚类算法一
主成分分析PCA	机器学习——主成分分析PCA
关联规则分析	机器学习——关联规则挖掘一
协同过滤	机器学习——协同过滤算法（CF）
LOF和孤立森林算法	机器学习——LOF和孤立森林算法

二、深度学习初识

人工智能与机器学习、深度学习的关系：

在这里插入图片描述

机器学习（ML）的大概步骤：

获取数据与预处理
特征工程（重点）
建立模型
对模型评估和应用

特征工程这一步是极为关键的，它决定了模型的上限，而算法和参数调优只是决定了如何逼近这个上限。

传统的机器学习主要依靠人工来提取特征，而深度学习更偏向智能化，依靠多种神经网络算法让计算机自动提取特征。

如图所示（随着数据规模的增大，深度学习算法的效果显然更好）

在这里插入图片描述

深度学习的应用领域：

语音识别
图像识别
机器的下一步分析（如阿尔法狗）
文本语言处理

三、github与gitee的介绍

github是英文并且用户基数多，知名的库也多，而gitee是中文，而且大部分用户都是国人，优秀的库相对GitHub较少。都是基于gitc仓库的代码托管平台，GitHub是全球最大的代码托管平台之一，而Gitee是中国的代码托管平台，主要面向国内用户。
并且有时候访问GitHub是不稳定的，而gitee很稳定。