来源：https://blog.csdn.net/qq_34424731/article/details/76443719
本文主要梳理了机器学习算法体系，人工智能相关趋势，Python与机器学习，以及结尾的一点感想。
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
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
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
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)
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
人工神经网络 Artificial neural network
贝叶斯 Bayesian
决策树 Decision Tree
线性分类 Linear classifier
无监督学习 Unsupervised learning
k-最近邻算法（K-NN） k-nearest neighbors classification(K-NN)
局部异常因子 Local outlier factor
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
单连锁聚类 Single-linkage clustering
概念聚类 Conceptual clustering
先验算法 Apriori algorithm
Eclat算法 Eclat algorithm
FP-growth算法 FP-growth algorithm
对抗生成网络
前馈神经网络 Feedforward neurral network
逻辑学习机 Logic learning machine
自组织映射 Self-organizing map
极端学习机 Extreme learning machine
人工神经网络 Artificial neural network
关联规则学习 Association rule learning
分层聚类 Hierarchical clustering
聚类分析 Cluster analysis
异常检测 Anomaly detection
半监督学习 Semi-supervised learning
强化学习 Reinforcement learning
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
其他
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
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)
集成学习算法
降维
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. 结束语
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”，目前有突破性的成就，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。
《机器学习 第九期》从零到机器学习实战项目，提供GPU&CPU双云平台，作业考试1V1批改（优秀学员内推BAT等）；点击文末“阅读原文”了解详情。
（
限时优惠组团领：即日起至6.18日24点之前，新学员两两组团报名各减100元，已经报名的老学员推荐一名新学员报名各返100元，想组团报名者请加微信客服：julyedukefu_02）
