机器学习算法总结（目录框架）

一、基本概念与原理：

1.学习的概念与类型：系统在执行过程中能改进性能；包括有监督、无监督、半监督、增强学习等。

2.学习的三要素：模型（产生式、判别式（包括概率分布与决策函数模型）） 策略（期望风险最小化（往往采用经验风险最小化处理）与结构风险最小化（进行正则化））、算法（最优化算法，求解最优模型）。

3.基本问题类型：分类、回归、标注、推荐、聚类、离群点分析等。

4.基本评估：训练误差、测试误差、交叉验证、泛化能力（对预测数据的误差来分析预测能力，也为泛化能力），有上界，小于训练误差。

5.基本的指标：精确率 召回率 f1值（都对二分类），此外还有准确率（不限二分类问题）。

二、基本的分类与回归模型：

1.感知机（及PLA）

2.K近邻

3.朴素贝叶斯

4.决策树（ID3、C4.5、CART）

5.logistic回归（线性回归、多维线性回归，二维logistics回归，多维logistics回归）

6.adaboost

7.SVM

8.random forests

9.神经网络（单层神经网络 多层神经网络）

10.PageRank

三、聚类算法：

1.kmeans

2.EM

3.层次聚类算法

4.SOM聚类算法

5.FCM聚类算法

四、数据挖掘方向：

1.Apriori算法

2.协通滤波

五、其他类型：

1.最大熵模型

2.隐马尔科夫模型；

3.条件随即场

4.LDA

5.PCA

6.奇异值分解

六、常见的机器学习库：

1.opencv

2.shark

3.scikit-learn

4.spark

5.R

6.Torch7

7.Matlab

8.Mahout

更多：

http://www.oschina.net/news/53818/awesome-machine-learning

（本文为基本框架初步规划，待完善）