机器学习/人工智能 知识图谱
可以为自己建立一个机器学习的知识图谱，并争取掌握每一个经典的机器学习理论和算法，简单地总结如下：
1）回归算法：
多元自适应回归样条（MultivariateAdaptive Regression Splines）
本地散点平滑估计（Locally Estimated Scatterplot Smoothing）
2）基于实例的算法：
学习矢量量化（Learning Vector Quantization， LVQ）
自组织映射算法（Self-Organizing Map ， SOM）
3）基于正则化方法：
稀疏约束Least Absolute Shrinkage and Selection Operator（LASSO）L1
4）决策树学习：
分类及回归树（ClassificationAnd Regression Tree， CART）
http://blog.csdn.net/m0_37167788/article/details/78794833
ID3 (Iterative Dichotomiser 3)
Chi-squared Automatic Interaction Detection(CHAID)
Decision Stump
随机森林（Random Forest）
多元自适应回归样条（MARS）
梯度推进机（Gradient Boosting Machine， GBM）
5）基于贝叶斯方法：
朴素贝叶斯算法
平均单依赖估计（AveragedOne-Dependence Estimators， AODE）
Bayesian Belief Network（BBN）
6）基于核的算法：
支持向量机（SupportVector Machine， SVM）
径向基函数（Radial Basis Function ，RBF)
线性判别分析（Linear Discriminate Analysis ，LDA)
7）聚类算法：
k-Means算法
期望最大化算法（Expectation Maximization， EM）
8）基于关联规则学习：
Apriori算法
Eclat算法
9）人工神经网络：
感知器神经网络（PerceptronNeural Network）
反向传递（Back Propagation）
Hopfield网络
自组织映射（Self-OrganizingMap, SOM）
学习矢量量化（Learning Vector Quantization， LVQ）；
10）深度学习：
受限波尔兹曼机（RestrictedBoltzmann Machine， RBN）
Deep Belief Networks（DBN）
卷积网络（Convolutional Network）
堆栈式自动编码器（Stacked Auto-encoders）
11）降低维度的算法：
主成份分析（PrincipleComponent Analysis， PCA）
偏最小二乘回归（Partial Least Square Regression，PLS）
Sammon映射
多维尺度（Multi-Dimensional Scaling, MDS）
投影追踪（ProjectionPursuit）
12）集成算法：
Boosting
Bootstrapped Aggregation（Bagging）
AdaBoost
堆叠泛化（Stacked Generalization， Blending）
梯度推进机（GradientBoosting Machine, GBM）
随机森林（Random Forest）
