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

原创 已于 2025-04-05 13:09:51 修改 · 934 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #人工智能 #机器学习分类 #机器学习分类整理 #机器学习概念

于 2025-02-09 22:30:54 首次发布

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
最低0.47元/天 解锁文章
基于深度学习的图像分类：从理论到实践
大模型应用工坊
07-05 704
想象一下，当你打开手机相册，系统自动将照片按"人物"“风景”"美食"分类；当医生通过CT影像筛查肿瘤时，AI辅助诊断系统能快速标出可疑区域；图像分类。揭开深度学习图像分类的神秘面纱，用通俗语言解释核心原理系统梳理从理论到实践的完整流程（数据→模型→训练→部署）通过实战项目让你亲手构建、训练并测试一个图像分类模型我们的讨论范围将集中在监督学习框架下的图像分类，重点讲解卷积神经网络(CNN)这一主流技术，并使用PyTorch框架完成实战。
Spark MLlib机器算法入门实战
尬聊码农
07-16 1344
1、机器学习简介 1.1、 什么是机器学习 机器学习这个词是让人疑惑的，首先它是英文名称Machine Learning(简称ML)的直译，在计算界Machine一般指计算机。这个名字使用了拟人的手法，说明了这门技术是让机器“学习”的技术。但是计算机是死的，怎么可能像人类一样“学习”呢？ 传统上如果我们想让计算机工作，我们给它一串指令，然后它遵照这个指令一步步执行下去。有因有果，非常明确。但这样的...
机器学习可以分为哪几类？机器学习分类
gu1857035894的博客
06-01 1万+
机器学习可以分为哪几类？这个问题早期面试中经常被问到的问题，大部分面试官期望的回答是分为生成模型和判别模型，但实际上在不同的视角/维度下，有机器学习有很多不同的类别划分方法，初学者容易混淆。这里整理一下，并对于生成与判别的区别展开说明一下。机器学习可以分为哪几类？按不同维度可以进行不同分类，比如搜索排序中的LambdaMart模型，它既是判别式模型，又是监督学习模型，又是排序模型(learning2rank)1)按学习目标：可以分为 生成式模型、判别式模型2)按学习方法：监督学习模型，非监督学习模型，半监督
机器学习入门基础（万字总结）（建议收藏！！！）
热门推荐
subsistent的博客
12-04 18万+
机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本文章涵盖了机器学习的基础知识，主要包括机器学习的概述、 回归、分类、聚类、神经网络、文本分析、图像分析、深度学习等经典的机器学习基础知识，还包括深度学习入门等拔高内容。介绍机器学习的基础概念和知识，包括机器学习简史、主要流派、与人工智能、数据挖掘的关系、应用领域、算法、一般流程等。伴随着计算机计算能力的不断提升以及大数据时代的迅发展人工智能也取得了前所未有的进步。
机器学习在网络流量分类中的应用
dieTicket的博客
06-20 1万+
I. 介绍 A. 相关工作 B. 本文贡献 C. 本文结构 II. 背景 A. 机器学习介绍 1. 数据收集 2. 特征提取FE 3.特征降维FR和特征选择FS 4. 算法选择和模型结构 5. 分类模型验证 B. 流量分类 1. IP流定义 2. 有效载荷检测 3. 基于统计的技术 4. 行为技术 5. 机器学习技术 III. 方法 IV.数据收集 A. 网络环境 B. 数据测量 C. 标注任务 D. 讨论 V. 特征提取 A. 基于统计的特征 B. 基于图形的特征 C...
机器学习与深度学习资料整理
赵英超的博客
03-01 5507
《Brief History of Machine Learning》介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning.《Deep Learning in Neural Networks: An Overview》介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最新版本《神经网络与深度学...
机器学习与深度学习资料
赵英超的博客
10-21 4427
机器学习与深度学习资料 机器学习 《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overview》 介绍:这
深入浅出LLM基础篇：大模型结构分类
lhx17673139267的博客
07-23 1327
编码端架构的著名的模型如BERT、RoBERTa等。这些语言模型生成上下文向量表征，但不能直接用于生成文本。可以表示为， x1:L⇒ϕ(x1:L)x_{1:L}⇒ϕ(x_{1:L})x1:L​⇒ϕ(x1:L​)。这些上下文向量表征通常用于分类任务（也呗称为自然语言理解任务）。
机器学习入门
小石小石摩西摩西
07-16 634
机器学习教程 机器学习概述 随着大数据的发展和计算机运算能力的不断提升，人工智能在最近几年取得了令人瞩目的成就。目前在很多行业中，都有企业开始应用机器学习技术，从而获取更深刻的洞察，为企业经营或日常生活提供帮助，提升产品服务水平。机器学习已经广泛应用于数据挖掘、搜索引擎、电子商务、自动驾驶、图像识别、量化投资、自然语言处理、计算机视觉、医学诊断、信用卡欺诈检测、证券金融市场分析、游戏和机器人等领...
找组织——机器学习社区、团体洞察
zhuliyeer的博客
03-12 1213
在Github上，有一些中文社区可以看一看：prompt“如果我是个AI小白，想参加到一个组织，接收最新的AI有趣源项目、一些定期的刊物等。我应该加入哪些组织？
机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总
wojiaoawenlong的博客
09-28 4511
《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overview》 介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最新版本《神经网...
23、机器学习与数据科学中的关键概念：从无免费午餐定理到统计基础
cnn8visionary的博客
10-27 19
本文深入探讨了机器学习与数据科学中的核心概念，重点解析了无免费午餐定理（NFL）的含义及其对算法选择的深远影响，强调不存在适用于所有问题的万能算法。文章还系统介绍了统计与概率基础，包括随机实验、概率空间、条件概率、随机变量及其分布、期望与方差等关键知识，并阐述了这些理论在数据探索、模型评估与预测不确定性量化中的实际应用。通过案例分析和流程图展示，说明了数据科学家如何结合理论与实践解决真实问题，最后总结了NFL定理对实际工作的指导意义以及统计方法在数据科学项目中的重要地位。
机器学习评估指标详解 - 进阶篇
最新发布
liulanba的博客
12-24 842
本文深入探讨机器学习模型评估的进阶指标，分为训练过程指标、模型参数指标、超参数调优指标和模型验证指标四大类。训练过程指标包括训练损失和验证损失的监控与分析，通过损失函数类型（分类、回归、目标检测）实现不同任务的优化。模型参数指标关注参数量和计算量评估，超参数调优指标指导参数优化，模型验证指标则采用交叉验证等方法评估泛化能力。文章提供了完整的Python实现代码和可视化工具，帮助开发者全面理解机器学习模型的训练优化过程，有效解决过拟合、欠拟合等问题，平衡模型性能与计算资源。
机器学习-DeepSeekR1
ArtoriaLili的博客
12-20 884
DeepSeek-R1：通过强化学习激励大语 言模型的推理能力 摘要我们推出了首代推理模型DeepSeek-R1-Zero和DeepSeek-R1。作为基础训练阶段，DeepSeek-R1-Zero通过大规模强化学习（RL）训练，无需监督微调（SFT），展现出卓越的推理能力。通过强化学习，该模型自然形成了诸多强大且引人入胜的推理行为。然而，其存在可读性差、语言混杂等挑战。为解决这些问题并进一步提升推理性能，我们推出了采用多阶段训练和冷启动数据的DeepSeek-R1。DeepSeek-R1在推理任务上的表
机器学习高阶教程＜8＞分布式训练三大核心策略拆解
2303_77568009的博客
12-20 883
当单卡GPU遭遇显存不足、训练过慢的瓶颈时，分布式训练是突破限制的关键。本文深入浅出地解析了分布式训练的三大核心策略：数据并行通过复制模型、同步梯度实现高效训练；模型并行通过流水线与张量拆分攻克大模型存储难题；混合并行结合ZeRO等技术进一步优化资源。文中不仅配有PyTorch DDP、Megatron-LM等实战代码，还总结了常见陷阱与解决方案，助你轻松驾驭大规模模型训练。
【机器学习】直观理解DPO与PPO：大模型优化的两种核心策略
Share With You
12-19 805
PPO和DPO代表了让大模型符合人类偏好的两种不同哲学。PPO通过复杂的多模型协作实现精细控制，适合复杂任务；DPO通过直接学习偏好数据实现高效优化，适合数据充足且目标明确的场景。理解它们的本质区别，有助于我们在实际应用中做出更明智的技术选型，让AI更好地服务于人类需求。
机器学习评估指标详解 - 入门篇
liulanba的博客
12-24 795
本文是机器学习评估指标系列的第一篇入门指南，全面介绍了机器学习全流程中的基础评估指标。文章系统讲解了数据质量评估（缺失值率、数据覆盖率、重复值率）、数据一致性检查、数据分布指标（如偏度）等核心概念，并提供了详细的Python实现代码和可视化方法。通过数据质量评估、前处理指标、分类/回归/聚类任务指标等模块，帮助初学者建立完整的评估指标体系认知，确保从数据准备到模型评估各环节的质量监控。文章强调全面指标的重要性，包括避免"垃圾进垃圾出"、评估预处理效果、监控训练过程、验证模型泛化能力等关键
08.什么是监督学习？
AI算法蒋同学的博客
12-20 746
摘要： 监督学习是一种机器学习方法，通过标记数据集训练模型，使其识别输入与输出间的关系，从而预测新数据的结果。训练过程依赖真实标签数据（人工标注或测量获得），利用梯度下降等优化算法调整参数，并通过损失函数评估准确性。监督学习分为分类（如SVM、决策树）和回归（如线性回归）任务，广泛应用于图像识别、垃圾邮件分类等领域。与无监督学习不同，监督学习需要标记数据指导模型训练，以实现高精度预测。其他学习方法还包括半监督、自监督和强化学习。
AI核心知识66——大语言模型之Machine Learning （简洁且通俗易懂版）
学习AI中...
12-24 618
机器学习是人工智能的核心技术，大语言模型（LLM）是其重要应用。与传统编程不同，机器学习让计算机从数据中自动学习规律。LLM的发展经历了三个阶段：无监督学习（预训练）、监督学习（微调）和强化学习（RLHF）。本质上，LLM是一个复杂的数学函数，通过调整参数来优化输出。近年来，得益于海量数据、强大算力和Transformer算法，机器学习技术才得以爆发式发展。机器学习不仅是具体技术，更是一种让计算机通过数据自主学习的思维方式，为AI发展奠定了重要基础。
全面解析葡萄酒wine数据集的机器学习分类技术
UCI葡萄酒数据集是一组著名的用于分类任务的样本数据集，通常用于测试和验证各种机器学习算法。这个数据集包含了13种不同的化学成分测量值，这些化学成分是从三组不同种类的意大利葡萄酒中提取的，目的是根据化学...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

飞火流星02027

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值