机器学习算法
监督学习
- 线性回归（Linear Regression）：通过拟合线性方程来预测数值结果，是最流行的机器学习算法之一。
- 逻辑回归（Logistic Regression）：用于分类问题，尤其是二分类问题，通过逻辑函数估计概率来测量因变量和自变量之间的关系。
- 支持向量机（Support Vector Machines, SVM）：通过在高维空间中寻找最优超平面来分类数据，具有强大的分类能力。
- 决策树（Decision Trees）：通过构建决策树模型来做出预测或分类决策。
- 随机森林（Random Forests）：集成学习方法，通过构建多个决策树来提高预测准确性。
无监督学习
- K均值聚类（K-Means Clustering）：将数据点分成K个簇，用于无监督学习中的聚类分析。
- 层次聚类（Hierarchical Clustering）：将数据项组合成层次结构以进行聚类分析。
- DBSCAN（Density-Based Spatial Clustering of Applications with Noise）：基于密度的空间聚类算法，能够识别并去除噪声点。
半监督学习
- 半监督学习结合了监督学习和无监督学习的特点，用于处理部分标记的数据集。
深度学习算法:
- 神经网络（Neural Networks）：包括卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）等，用于处理复杂的数据模式识别问题，如图像识别、语音识别等。
- 自动编码器（Autoencoders）：用于学习数据的压缩表示，通过编码和解码过程来重构输入数据.
其他常用算法
- 遗传算法（Genetic Algorithm）：模拟自然选择和遗传机制的优化算法，用于解决搜索和优化问题。
- 贝叶斯网络（Bayesian Network）：表示变量之间条件依赖关系的概率图模型，用于预测、决策和诊断等领域。
- 主成分分析（Principal Component Analysis, PCA）：用于数据降维的技术，通过保留数据的主要特征来降低数据维度。
孤立森林（Isolation Forest）：用于检测数据中的异常值，通过随机选择数据点并创建决策树来工作。
其他常用算法
随着技术的发展，新的AI算法不断涌现，如强化学习（Reinforcement Learning）、自然语言处理（NLP）中的Transformer模型等，这些算法在各自的领域内取得了显著的成绩。
合理利用各种算法搭配能得到意想不到的效果。。。。
