人工智能的核心，使用计算机模拟人类学习行为，将现有内容进行知识结构划分来提高学习效率。定义：研究在经验中改善具体算法的性能。
探索不同学习算法和学习方法。
现在应用：自然语言理解，非单调推理，机器视觉，模式识别。
研究方向：1研究学习机制，探索人学习机制，2大数据环境下机器学习，如何有效获取利用好信息。
深度学习：借鉴人脑结构，神经元连接交互处理机制，自适应，自学习的并行信息处理能力，在图像识别领域有突破性应用。
传统机器学习：研究方向：决策树，随机森林，人工神经网络，贝叶斯学习
决策树：ID3---AS-SISTANAIgorithm---CHi-Squa---C4.5---CART---SLIQ(决策树分类)---PUBLIC
随机森林：RF
人工神经网络：非线性适应性信息处理能力算法
贝叶斯：统计学
大数据机器学习：数据转向，数据信息处理，建立在内存理论基础上。需要考虑现实依据。
基于学习策略分类：符号学习，神经网络学习：以人工神经网络为函数结构模型，以数值数据为输入，以数值运算为方法，用迭代过程在系数向量空间中搜索，学习目标为函数。直接采用数学方法：训练模型对数据进行预测。模型，模型集合就是假设空间。策略，从假设空间挑出最好模型的准则。算法，求解最佳模型的方法。最优化算法：梯度下降法，牛顿法，拟牛顿法
基于学习方法分类：
基于学习方式分类：
基于数据形式分类：
基于学习目标分类：
常见算法：决策树，朴素贝叶斯，支持向量机，随机森林，人工神经网络，boosting与bagging，关联规则，期望最大法，深度学习
深度学习：学习样本的内在规律和表示层次，这些学习过程中获得的信息让机器有分析能力，复杂，在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术有重大成果
标签：---,机器,基础,人工神经网络,学习,算法,决策树 来源： https://blog.csdn.net/weixin_44919150/article/details/122531191
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。