机器学习作为一门多领域交叉学科，已经存在很长时间了，但近些年才开始火热起来。本文中列出了你需要知道的机器学习领域的算法，了解这些你就可以解决在机器学习中所遇到的任何问题。但这只是个覆盖大部分基础算法的清单，并不是全部。

回归算法

回归算法对变量之间的关系建模。最初是一种统计技术，它现在已经成为每个机器学习工程师必须掌握的重要工具。

常见的回归算法：

• 最小二乘回归（Least Squares Regression）


• 线性回归（Linear Regression）


• Logistic回归（Logistic Regression）

聚类算法

聚类算法可以将数据点分到具有相似属性的组中。他们通过查找数据中的固有结构来将数据划分到不同的组中。一个组中的事物属性的关联比其他组中的关联的更密切。

聚类算法有硬聚类和软聚类两种类型。硬聚类是指数据点明确的完全属于一个组或完全不属于一个组。软聚类是指一个数据点可以不同程度地属于许多不同的组。

常见的聚类算法：

• K均值（K-means）


• 层次聚类（Hierarchical Clustering）

聚类介绍视频：https://www.youtube.com/watch?v=ZueoXMgCd1c

降维算法

当特征的数量与数据点的数量要大很多时。降维算法可以帮你将特征的数量减少到目前问题所需要的数量。他们可以删除多余的特征，帮助你获得更好的结果。

降维算法有两种工作方法。第一种方法是通过特征选择，算法选取可用特征的子集。第二种方法是特征提取，将高维空间中的数据压到低维度。

常见的降维算法：

• 主成分分析（PCA）


• 低方差滤波（Low Variance Filter）


• 高相关滤波（High Correlation Filter）


• 随机森林（Random Forests）


• 反向特征消除/前向特征构造（Backward Feature Elimination / Forward Feature construction）

更多的内容可以查看：https://www.kdnuggets.com/2015/05/7-methods-data-dimensionality-reduction.html

决策树算法

决策树创建一个根据数据做出决策的模型。在树状结构中制作一个分叉，直到每个数据点都有对应的预测。与其他深度学习的算法不同，它们的结果很容易理解，并且它们很容易在许多不同的数据类型中使用。

常见的决策树算法：

• 分类和回归树（classification and regression tree）


• C4.5和C5.0


• 随机森林（Random Forests）


• 卡方自动交互检测（CHAID）

推荐教程：https://www.analyticsvidhya.com/blog/2016/04/complete-tutorial-tree-based-modeling-scratch-in-python/

深度学习

机器学习和人工智能的概念是深度学习炒火的。他们是人造神经网络的现代版本，利用廉价的计算来训练更大的神经网络。它们证明了它们具有解决一些最难问题的能力。如AlphaGo。

常见深度学习：

• 栈式自编码器（Stacked Auto-encoders）


• 卷积神经网络（CNN）


• 递归神经网络（RNN）


• 胶囊网络（Capsule Networks，https://hackernoon.com/what-is-a-capsnet-or-capsule-network-2bfbe48769cc）