RT.

1. 决策树算法（C4.5, CART）

    无监督学习：实际上，决策树通常用于有监督学习，因为它依赖于标注数据进行训练。可以根据特征来划分数据，进行分类或回归。

    C4.5和CART：虽然这两者在过去很常见，但如今更先进的算法（如XGBoost）已取代它们。可以考虑添加对这些新算法的简要介绍。

2. K-Means（无监督学习）

    聚类算法非常适合于无监督学习。K-Means通过最小化每个点到质心的距离来分组，适用于大多数情况下数据分布较为均匀的情况。

3. SVM（支持向量机）

    支持向量机是一个非常强大的分类与回归算法，尤其适用于高维数据。尽管深度学习在某些任务中已超越它，SVM仍然是经典的高效分类算法之一。

4. Apriori

    已淘汰的算法，确实因其计算复杂度和多次扫描数据库的需求而受到批评。FP-Growth是更高效的替代者，它通过树形结构减少了对数据库的访问次数。

5. EM算法

    作为一种统计学习方法，EM算法的理解确实有一定的门槛，适用于混合模型或缺失数据处理等问题。

6. PageRank

    虽然PageRank仍然广泛应用于搜索引擎中，但其具体实现细节已经有许多创新和优化，尤其是在大规模图数据的处理上。

7. AdaBoost

    这是一种集成学习方法，可以与弱分类器（如决策树）结合，通过加权的方式提高整体分类准确率。它在图像识别中有广泛应用。

8. kNN（k-近邻）

    与K-Means的不同之处在于，kNN是基于距离的分类方法。它简单易懂，但对于大数据集来说计算复杂度较高。

9. Naive Bayes

    适用于分类任务，特别是在文本分类中，如垃圾邮件检测。其假设特征之间相互独立，这在实际数据中可能不完全成立，但通常仍能获得不错的效果。

高级算法：

    FP-Growth

        在Apriori的基础上优化了计算效率，尤其适用于关联规则挖掘。

    逻辑回归

        非常重要且广泛使用，尤其是在二分类问题和概率预测中。

    随机森林（RF）和GBDT

        两者都是决策树的集成算法，广泛用于分类与回归问题。GBDT在处理非线性问题时表现尤为出色。

    推荐算法

        推荐系统广泛应用于电商、社交平台中，有很多优化方法，如协同过滤、内容推荐等。

    LDA（潜在狄利克雷分配）

        主要用于主题模型，在文本挖掘中有重要应用。

    Word2Vec

        用于将词语转化为向量表示，是文本数据处理中的一个重要技术。

    HMM与CRF

        隐马尔可夫模型与条件随机场都广泛应用于序列数据建模，如语音识别、自然语言处理。

    深度学习

        包括CNN、RNN等深度神经网络，是目前处理大规模复杂数据（如图像、语音、文本）最前沿的技术。

机器学习常见算法（1）ICDM
1.分类---C4.5使用决策树算法，可以解决【分类】&【回归】问题；
2.聚类---K-Means算法，属于无监督方法，解决电信用户分类问题；
3.统计学习---SVM（支持向量机）可以解决分类（主）和回归问题，有很好的表现和深厚的数学理论支撑，曾经被认为是最好的分类算法。现在光芒被【深度学习】掩盖了。有一定的数学门槛，面试中经常被问。
4.关联分析---Apriori应用于“尿片和纸尿裤”案例，最早解决了频繁项集问题。由于需要频繁访问数据库，已被淘汰。取代它的是华人开的【FP-Growth】算法。应用：电商的推荐系统，但目前有更好的替代方法。
5.统计分析---EM算法是一个算法框架，用于解决一系列问题。
6.连接挖掘---PageRank。Google使用的网页排序算法，很著名。
7.集装与推进---AdaBoosts算法，应用于人脸识别，本质为改进的决策树算法，属于有监督的分类算法。
8.分类---kNN。相对简单的分类算法，有监督。
9.分类---Naive Bayes朴素贝叶斯算法，用于识别垃圾邮件。
目前不常用的算法：Apriori和CART。

一、机器学习算法

SVM：支持向量机

关联分析： FP-Growth

AdaBoot:  有监督学习，人脸识别

二、常用算法

1. FP-Growth

2. 逻辑回归

1. 搜索结果的排序等

3. RF、GBDT

1. 决策树的改进

4. 推荐算法

1. 各个推荐系统的算法

5. LDA

1. 自然语言处理算法

6. Word2Vetor

1. 文本挖掘
   

7. HMM、CRF

1. 文本挖掘
   

8. 深度学习

1. 图像识别等
   

1

1

机器学习常见算法

常见机器学习算法

5-2机器学习常见算法和分类（2）

高级一点

常见算法

常見算法表

常见算法一览

常见算法列表

分类算法同时也是回归算法？

！！SVM算法

AdaBoost

Naive Bayes

机器学习常见算法：

机器学习常见算法

机器学习常见算法

机器学习常见算法一览

机器学习算法一览

机器学习算法 

机器学习常见算法

现在的流行算法

机器学习常见算法一览

C4.5/CART-决策树算法（分类算法）-有监督学习

K-Means-聚类算法-无监督学习

SVM-分类算法（也可解决回归问题）

K-Means也算EM的一种

PageRank —— Google

AdaBoost —— 解决分类问题，大部分人脸识别所用算法，决策树改进版

NaiveBayes —— 垃圾邮件识别，分类算法

FP-Growth —— 华人发明

逻辑回归 —— 百度推荐排序

RF、GBDT —— 决策树算法改进，类似AdaBoost

推荐算法 —— 电商网站标配

LDA —— 文本分析

Word2Vector —— 文本挖掘

深度学习 —— 主要用于图像识别

统计学习——SVM

集装与推进——Adaboost（人脸识别）

机器学习常见算法：

1. 决策树算法（有监督）：解决分类、回归问题；C4.5、kNN（不常用）

2. 聚类：K-Means算法（无监督）

3. 统计学习：SVM算法

4. 关联分析及规则：Apriori（淘汰）——需多次扫描庞大数据库

                              FP-Growth——仅需两次扫描数据库

5. 链接挖掘：PageRank算法（Google）

6. 集装与推进：AdaBoost（人脸识别）（决策树改进版,有监督学习）（本质上解决分类问题）

7. 逻辑回归：google、百度搜索结果排

8. 推荐算法：产品推荐等

9. 文本分析&挖掘、自然语言处理：LDA、Word2Vector、HMM、CRF

10. 深度学习：图像识别
    

常见算法一览

机器学习常见算法一览表