• 1.人工智能之机器学习体系汇总
• 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
  • 2.2.Python才是王道
  • 2.3.深度学习趋势大热
  • 2.4.中国更爱深度学习
• 3.结语

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。

Github开源机器学习系列文章及算法源码

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。