以稳敏合一架构，赋能企业数字化转型

深度学习是人工神经网络的最新分支，它受益于当代硬件的快速发展。

众多研究者目前的方向主要集中于构建更大、更复杂的神经网络，目前有许多方法正在聚焦半监督学习问题，其中用于训练的大数据集只包含很少的标记。

例子：

•  深玻耳兹曼机（Deep Boltzmann Machine，DBM）
•  Deep Belief Networks（DBN）
•  卷积神经网络（CNN）
•  Stacked Auto-Encoders

优点/缺点：见神经网络


 

人工神经网络是受生物神经网络启发而构建的算法模型。

它是一种模式匹配，常被用于回归和分类问题，但拥有庞大的子域，由数百种算法和各类问题的变体组成。

例子：

•  感知器
•  反向传播
•  Hopfield 网络
•  径向基函数网络（Radial Basis Function Network，RBFN）

优点：

•  在语音、语义、视觉、各类游戏（如围棋）的任务中表现极好。
•  算法可以快速调整，适应新的问题。

缺点：

•  需要大量数据进行训练
•  训练要求很高的硬件配置
•  模型处于黑箱状态，难以理解内部机制
•  元参数（Metaparameter）与网络拓扑选择困难。

回归是用于估计两种变量之间关系的统计过程。当用于分析因变量和一个 多个自变量之间的关系时，该算法能提供很多建模和分析多个变量的技巧。具体一点说，回归分析可以帮助我们理解当任意一个自变量变化，另一个自变量不变时，因变量变化的典型值。最常见的是，回归分析能在给定自变量的条件下估计出因变量的条件期望。

回归算法是统计学中的主要算法，它已被纳入统计机器学习。

例子：

•  普通最小二乘回归（Ordinary Least Squares Regression，OLSR）
•  线性回归（Linear Regression）
•  逻辑回归（Logistic Regression）
•  逐步回归（Stepwise Regression）
•  多元自适应回归样条（Multivariate Adaptive Regression Splines，MARS）
•  本地散点平滑估计（Locally Estimated Scatterplot Smoothing，LOESS）

优点：

•  直接、快速
•  知名度高

缺点：

•  要求严格的假设
•  需要处理异常值

（编辑：柳州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!