技术标签： 人工智能
一、人工智能学习算法分类
人工智能算法大体上来说可以分类两类：基于统计的机器学习算法(Machine Learning)和深度学习算法(Deep Learning)
总的来说，在sklearn中机器学习算法大概的分类如下：
2.建模方面
(1)模型优化
(2)数据预处理
二、详细算法
1.分类算法
(1).LR (Logistic Regression，逻辑回归又叫逻辑分类)
(2).SVM (Support Vector Machine，支持向量机)
(3).NB (Naive Bayes，朴素贝叶斯)
(4).DT (Decision Tree，决策树)
1).C4.5
2).ID3
3).CART
(5).集成算法
1).Bagging
2).Random Forest (随机森林)
3).GB(梯度提升,Gradient boosting)
4).GBDT (Gradient Boosting Decision Tree)
5).AdaBoost
6).Xgboost
(6).最大熵模型
2.回归算法
(1).LR (Linear Regression，线性回归)
(2).SVR (支持向量机回归)
(3). RR (Ridge Regression，岭回归)
3.聚类算法
(1).Knn
(2).Kmeans 算法
(3).层次聚类
(4).密度聚类
4.降维算法
(1).SGD (随机梯度下降)
5.概率图模型算法
(1).贝叶斯网络
(2).HMM
(3).CRF (条件随机场)
6.文本挖掘算法
(1).模型
1).LDA (主题生成模型，Latent Dirichlet Allocation)
2).最大熵模型
(2).关键词提取
1).tf-idf
2).bm25
3).textrank
4).pagerank
5).左右熵 :左右熵高的作为关键词
6).互信息：
(3).词法分析
1).分词
– ①HMM (因马尔科夫)
– ②CRF (条件随机场)
2).词性标注
3).命名实体识别
(4).句法分析
1).句法结构分析
2).依存句法分析
(5).文本向量化
1).tf-idf
2).word2vec
3).doc2vec
4).cw2vec
(6).距离计算
1).欧氏距离
2).相似度计算
7.优化算法
(1).正则化
1).L1正则化
2).L2正则化
8.深度学习算法
(1).BP
(2).CNN
(3).DNN
(3).RNN
(4).LSTM
三、建模方面
1.模型优化·
(1).特征选择
(2).梯度下降
(3).交叉验证
(4).参数调优
(5).模型评估：准确率、召回率、F1、AUC、ROC、损失函数
2.数据预处理
(1).标准化
(2).异常值处理
(3).二值化
(4).缺失值填充： 支持均值、中位数、特定值补差、多重插补
————————————————
版权声明：本文为CSDN博主「白玉杰」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_40535327/article/details/104721361
文章浏览阅读10w+次，点赞762次，收藏4.7k次。到微软官网下载SQL Server Developer版本，现在的最新版本是SQL Server 2019 Developer。微软官网传送门：点击此处直达下载完成之后，在文件夹中找到刚才下载的文件，双击打开，打开之后的界面如下图所示。我们选择自定义安装，之后再选择要安装的位置，再点击安装，如下图所示点了安装之后会出现如下图所示的界面，我们需要等待它下载安装包，此过程等待的时间可能较长..._sqlserver在哪里写sql语句
文章浏览阅读1k次。var appName = navigator.appName; //浏览器的正式名称 var appVersion = navigator.appVersion; //浏览器的版本号 var cookieEnabled = navigator.cookieEnabled; // 返回用户浏览器是否启用了..._浏览器获取客户端基本信息
文章浏览阅读1k次。1、 为什么要记录笔记这个问题我印象中探讨过很多次，但是简单来讲就是方便日后在遇到相似问题时查询解决方式，并在记录笔记的过程汇总中对知识进行一轮新的复习。这样一生，如果作为一个技术人员来讲的话，我不可能只学习一门技能，需要学习的东西很多。当只会一门技能时，做不做笔记其实无所谓，但是当你学会多种技能时，你需要笔记这样一个第二大脑来帮助存储那些琐碎并不通用的知识，你自己的大脑来记忆通用性的知识，可以迁移的方法。在遇到问题时，知道做什么永远比怎么做更重要。1.1 知识的分类1.1.1 元认知解释：能指导_印象笔记建立个人知识体系
文章浏览阅读2.7k次，点赞13次，收藏96次。随着硬盘/flash容量不断增大，存储的数据也越来越多，早期单一的对应地址存放对应数据的方案已经无法满足我们的需求，因此一群大佬们便开始设计文件系统这样一个东西，用来管理硬盘/flash上的数据信息。本文主要分享关于FAT文件系统的详细设计。通过对FAT文件系统组成介绍，字段分析并采用新增文件实践分析的方式，详细阐述FAT文件系统的工作原理！_fatfs
文章浏览阅读3k次，点赞2次，收藏7次。企业架构师是使 IT 战略与业务目标保持一致的重要且不断增长的角色。无论您对云、应用程序、软件还是系统感兴趣，企业架构认证都可以提升您的职业生涯。如果您计划从事企业架构师 (EA) 的职业，那么认证是验证您的 EA 技能的好方法。作为 EA，您将负责为企业制定 IT 战略，以使业务目标与 IT 目标保持一致。公司严重依赖技术，因此 IT 现在是任何强大业务战略的基础部分。..._企业架构师认证
文章浏览阅读5.9k次，点赞2次，收藏29次。相比前两种搭建IP池的方法来说，付费代理IP更能满足用户的需求，但对于有些特殊要求的朋友来说，他们想一次提取很多个或者多次提取很多个，存放在本地建立的IP池里，这种方法在一定的程度上优化了方案。只不过长期下来的话，服务器的维护成本较高，并且需要定时的维护，消耗大量的时间，如果是个人的话，搭建起来后期维护的成本太高了，如果您不是高端玩家的话，不建议使用这种方式搭建IP池。相对于免费的代理IP来说，收费代理IP虽然需要付出一定的成本，但是IP资源都是真实IP，并且高匿性，稳定性也好。一、默认自动切换IP。..._如果制作代理ip池
文章浏览阅读1.6w次。An unknown error occurred during solution. Check the Solver Output on the Solution Information object for possible causes._an unknown error occurred during solution. check the solver output on the so
文章浏览阅读1.8k次。VUE项目里配置eslint lessless安装 less 和less-loader ，npm install less less-loader --save**修改webpack.base.config.js文件，配置loader加载依赖，让其支持外部的less,在原来的代码上添加 // 此种方法在控制台中标签样式显示的是style标签样式{ test: /\.less$/, loader: "style-loader!css-loader!less-loader",}_eslint less
文章浏览阅读1.4w次，点赞27次，收藏21次。大家好，我是Leo哥，上一节我们通过源码剖析以及图文分析，了解了关于委派筛选器代理和过滤器链代理的原理和作用。这节课我们接着学习SpringSecurity的过滤器，了解SpringSecurity中都有哪些核心过滤器。好了，话不多说让我们开始吧。以上便是本文的全部内容，本人才疏学浅，文章有什么错误的地方，欢迎大佬们批评指正！我是Leo，一个在互联网行业的小白，立志成为更好的自己。如果你想了解更多关于Leo，可以关注公众号-程序员Leo，后面文章会首先同步至公众号。
文章浏览阅读128次。面试 一般会叫你填两个表 1个是你的详细信息表 1个是面试题答卷 两个都要注意反正面是否都有内容不要遗漏，如果考你机试一般也有两种，就是程序连接数据库或一些基本的算法（二分查找，递归等），公司一般都是测试你的基本功是否扎实，如果你基本功好就游刃有余不必紧张！ asp.net面试题 1.new有几种用法 第一种:new Class(); 第二种:覆盖方法 public new XXXX()..._.net面试机试题
文章浏览阅读405次。1、官网的文档无论是学习Hadoop的hdfs、hive，还是hbase等，都要非常看重官网的文档。大数据的很多框架，都是Apache的顶级项目，各个组件框架的官网链接都可以从下面的链接进入：Hadoop：http://hadoop.apache.org/Avro: 序列化系统HBase: 分布式数据库Hive: 数据仓库Mahout: 机器学习与数据挖掘库Pig: 并行计算的高级数据..._方法论semma
文章浏览阅读411次，点赞8次，收藏21次。主题模型是自然语言处理和文本挖掘领域的一个重要研究方向,它可以自动发现文档集合中潜在的主题结构。其中,潜在狄利克雷分配(Latent Dirichlet Allocation, LDA)是最常用和最成功的主题模型之一。LDA是一种无监督的贝叶斯概率模型,能够有效地发现文档集合中隐藏的主题结构。LDA模型的核心思想是:每个文档可以表示为多个主题的概率分布,每个主题又可以表示为词语的概率分布。通过学习这些潜在的主题分布和词语分布,LDA模型可以发现文档集合中蕴含的语义主题信息。