杜克大学提出AI算法

基于实例的算法（有时也称为基于记忆的学习）是这样学 习算法，不是明确归纳，而是将新的问题例子与训练过程中见过的例子进行对比，这些见过的例子就在存储器中。

之所以叫基于实例的算法是因为它直接从训练实例中建构出假设。这意味这，假设的复杂度能随着数据的增长而变化：最糟的情况是，假设是一个训练项目列表，分类一个单独新实例计算复杂度为 O（n）

例子：

•  K 最近邻（k-Nearest Neighbor (kNN)）
•  学习向量量化（Learning Vector Quantization (LVQ)）
•  自组织映射（Self-Organizing Map (SOM)）
•  局部加权学习（Locally Weighted Learning (LWL)）

优点：

•  算法简单、结果易于解读

缺点：

•  内存使用非常高
•  计算成本高
•  不可能用于高维特征空间

聚类算法是指对一组目标进行分类，属于同一组（亦即一个类，cluster）的目标被划分在一组中，与其他组目标相比，同一组目标更加彼此相似（在某种意义上）。

例子：

•  K-均值（k-Means）
•  k-Medians 算法
•  Expectation Maximi 封层 ation (EM)
•  最大期望算法（EM）
•  分层集群（Hierarchical Clstering）

优点：

•  让数据变得有意义

缺点：

•  结果难以解读，针对不寻常的数据组，结果可能无用。