算法的描述：是对要解决一个问题或要完成一项任务所采取的方法和步骤的描述，包括需要什么数据(输入什么数据、输出什么结果)、采用什么结构、使用什么语句以及如何安排这些语句等。通常使用自然语言、结构化流程图、伪代码等来描述算法。

　　本经典算法研究系列，如今己写了22篇，13个算法，包括算法理论的研究，算法编程的实现，很多个算法都后续写了续集，如第二个算法：Dijkstra算法，便写了4篇文章。而红黑树系列，则更是最后写了6篇文章，成为了国内最为经典的红黑树教程。

　　十三个经典算法集锦

　　一、A*搜索算法

　　一(续)、A*，Dijkstra，BFS算法性能比较及A*算法的应用

　　二、Dijkstra算法初探

　　二(续)、彻底理解Dij kstra算法

　　二(再续)、Dijkstra算法+fibonacci堆的逐步c实现

　　二(三续)、Dijkstra算法+Heap堆的完整c实现源码

　　三、dynamic programming

　　四、BFS和DFS优先搜索算法

　　五、红黑树算法的实现与剖析

　　五(续)、教你透彻了解红黑树

　　六、教你从头到尾彻底理解KMP算法

　　七、遗传箅法透析GA本质

　　八、再谈启发式搜索算法

　　九、图像特征提取与匹配之SIFT算法

　　九(续)、sift算法的编译与实现

　　九(再续)、教你一步一步用c语言实现sift算法、上九(再续)、教你一步一步用c语言实现sift算法、下

　　十、从头到尾彻底理解傅里叶变换算法、上

　　十、从头到尾彻底理解傅里叶变换算法、下

　　十一、从头到尾彻底解析Hash表算法

　　十二、快速排序算法之所有版本的c/c++实现

　　十三、通过浙大上机复试试题学SPFA算法

　　整体来说，机器学习算法可以分为 3 大类：

　　0.1 监督学习

　　工作原理：该算法由自变量(协变量、预测变量)和因变量(结果变量)组成，由一组自变量对因变量进行预测。通过这些变量集合，我们生成一个将输入映射到输出的函数。训练过程达到我们设定的损失阈值停止训练，也就是使模型达到我们需要的准确度等水平。

　　监督学习的例子：回归，决策树，随机森林，KNN，逻辑回归等

　　0.2 无监督学习

　　工作原理：在无监督学习算法中，我们没有目标或结果变量来预测。 通常用于不同群体的群体聚类。

　　无监督学习的例子：Apriori 算法，K-means。

　　0.3 强化学习

　　工作原理： 强化学习(reinforcement learning)，又称再励学习、评价学习，学习不是单一方法，而是一种机器学习方式，在智能控制机器人及分析预测等领域有许多应用。

　　强化学习例子：马尔可夫决策过程

　　通用机器学习算法列表

　　1. 线性回归

　　2. Logistic 回归

　　3. 决策树

　　4. SVM

　　5. 朴素贝叶斯

　　6. KNN

　　7. K 均值

　　8. 随机森林

　　9. 降维算法

　　10. 梯度提升算法

　　1.GBM

　　2.XGBoost

　　3.LightGBM

　　4.CatBoost

详细资料在在附件

正在下载，请等待……

下载附件需0积分！