机器学习分类整理【表格版】分类角度、名称、概念、常见算法、典型案例
机器学习分类整理表格
| 机器学习分类整理【表格版】 | |||
| 分类角度 | 分类名称 | 概念 | 常见算法 |
| 学习方式 | 监督学习 | 使用已标记的数据进行训练，模型通过学习输入与输出之间的映射关系来预测新数据 | 线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林等 |
| 无监督学习 | 使用未标记的数据进行训练，模型通过发现数据中的模式或结构来进行学习 | K-Means聚类、DBSCAN、主成分分析（PCA）、t-SNE等 | |
| 半监督学习 | 结合少量标记数据和大量未标记数据进行训练 | 生成对抗网络（GAN）等 | |
| 强化学习 | 通过与环境的交互学习策略，以最大化累积奖励 | Q-Learning、深度Q网络（DQN） | |
| 学习策略 | 机械学习 | 直接从环境中获取知识并存储起来 | |
| 示教学习 | 将已有知识传授给机器，通过模仿或记忆来学习 | ||
| 类比学习 | 通过比较不同事物之间的相似性来学习新知识 | ||
| 基于解释的学习 | 通过理解已有知识的解释来学习新知识 | ||
| 归纳学习 | 从大量个别事实中概括出一般性结论或规律 | ||
| 任务类型 | 分类 | 将输入数据分配到预定义的类别中 | 朴素贝叶斯、支持向量机、K-NN、逻辑回归等 |
| 回归 | 预测连续变量 | 线性回归、岭回归、LASSO回归等 | |
| 聚类 | 将相似的数据点分为同一组 | K-Means、DBSCAN、层次聚类等 | |
| 降维 | 简化数据集，去除冗余特征 | PCA、t-SNE等 | |
| 应用领域 | 自然语言处理 | 文本分类、情感分析、语音识别等 | 循环神经网络（RNNs）、长短期记忆网络（LSTM）、Transformer模型等 |
| 图像处理 | 手写数字识别、人脸识别、物体检测等 | 卷积神经网络（CNNs）、生成对抗网络（GANs）等 | |
| 推荐系统 | 协同过滤、矩阵分解等 | ||
| 学习方法 | 归纳学习 | 符号归纳学习 函数归纳学习（发现学习） | 典型的符号归纳学习有示例学习、决策树学习。 典型的函数归纳学习有神经网络学习、示例学习、发现学习、统计学习 |
| 演绎学习 | |||
| 类比学习 | 典型的类比学习有案例（范例）学习 | ||
| 分析学习 | 典型的分析学习有解释学习、宏操作学习 | ||
| 数据形式 | 结构化学习 | 以结构化数据为输入，以数值计算或符号推演为方法 | 典型的结构化学习有神经网络学习、统计学习、决策树学习、规则学习 |
| 非结构化学习 | 以非结构化数据为输入 | 典型的非结构化学习有类比学习案例学习、解释学习、文本挖掘、图像挖掘、Web挖掘等 | |
| 学习目标 | 概念学习 | 学习的目标和结果为概念，或者说是为了获得概念的学习 | 典型的概念学习主要有示例学习 |
| 规则学习 | 学习的目标和结果为规则，或者为了获得规则的学习 | 典型规则学习主要有决策树学习 | |
| 函数学习 | 学习的目标和结果为函数，或者说是为了获得函数的学习 | 典型函数学习主要有神经网络学习 | |
| 类别学习 | 学习的目标和结果为对象类，或者说是为了获得类别的学习 | 典型类别学习主要有聚类分析 | |
| 贝叶斯网络学习 | 学习的目标和结果是贝叶斯网络，或者说是为了获得贝叶斯网络的一种学习 | 其又可分为结构学习和多数学习 | |
备注
持续完善。。。