本文主要向大家介绍了机器学习入门之机器学习常见算法概述，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

  机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

1、K近邻（KNN）

算法

 
逼近离散值函数f的KNN算法

修改目标函数，则可以逼近连续值的目标函数

可以使用距离加权

其中  

实现

（1）C++版本        //blog.csdn.net/mimi9919/article/details/51172095 
（2）python版本       可以参考机器学习实战

2、感知机

算法

 

实现

（1）C++版本  //blog.csdn.net/idmer/article/details/49365301

3、朴素贝叶斯

算法

实现

（1）C++版本  //blog.csdn.net/idmer/article/details/48809677

4、分类回归树（CART）

CART由ID3,C4.5慢慢演化而来，是许多基于树的bagging、boosting模型的基础，非常重要。

算法

 

其中，5.25如下

实现

（1）C++版本        //blog.csdn.net/a819825294/article/details/51995323 
（2）python版本    可以参考机器学习实战

5、逻辑斯蒂回归（LR）

算法

（1）模型参数估计 

（2）梯度下降学习参数 

（3）最终模型 

更多原理

//blog.csdn.net/a819825294/article/details/51172466

实现

（1）C++版本        //www.chawenti.com/articles/15254.html 
（2）python版本    可以参考机器学习实战

分布式

//www.csdn.net/article/2014-02-13/2818400-2014-02-13

6、支持向量机（SVM）

算法

 

更多原理

//blog.csdn.net/a819825294/article/details/51679152

实现

（1）C++版本        libsvm 
（2）python版本    可以参考机器学习实战

7、神经网络（NN）

算法

实现

（1）C++版本  https://github.com/matthewrdev/Neural-Network

8、随机森林（RF）

算法

更多原理

//blog.csdn.net/a819825294/article/details/51177435

实现

（1）C++版本  //download.csdn.net/download/qq_17506541/8866653

9、AdaBoost

算法

 

实现

（1）C++版本        //blog.csdn.net/a819825294/article/details/51995323 
（2）python版本   可以参考机器学习实战

10、梯度提升树（GBDT）

算法

 

更多原理

//blog.csdn.net/a819825294/article/details/51188740

实现

（1）C++版本        //blog.csdn.net/a819825294/article/details/51995323

11、XGBoost

更多原理

//blog.csdn.net/a819825294/article/details/51206410

实现

https://github.com/dmlc/xgboost

12、KMeans

算法

实现

（1）C++版本   //blog.csdn.net/qll125596718/article/details/8243404

13、PCA

算法

参考文献 
（1）《机器学习》 卡内基梅隆大学 Tom M.Mitchell 
（2）《机器学习》  周志华 
（3）《统计学习方法》 李航
        
            $(function () {
                $(‘pre.prettyprint code‘).each(function () {
                    var lines = $(this).text().split(‘\n‘).length;
                    var $numbering = $(‘

• ‘).addClass(‘pre-numbering‘).hide();




•                     $(this).addClass(‘has-numbering‘).parent().append($numbering);




•                     for (i = 1; i <= lines; i++) {




•                         $numbering.append($(‘

• ‘).text(i));
                      };
                      $numbering.fadeIn(1700);
                  });
              });
  

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！