机器学习和深度学习算法及模型的总结:
- 机器学习算法:
监督学习:
- 线性回归
- 逻辑回归
- 决策树
- 随机森林
- 支持向量机(SVM)
- K近邻(KNN)
- 朴素贝叶斯
无监督学习:
- K均值聚类
- 层次聚类
- 主成分分析(PCA)
- 独立成分分析(ICA)
半监督学习:
- 标签传播
- 半监督SVM
强化学习:
- Q-learning
- SARSA
- 深度学习模型:
- 前馈神经网络
- 卷积神经网络(CNN)
- 循环神经网络(RNN)
- 长短期记忆网络(LSTM)
- 门控循环单元(GRU)
- 自编码器
- 变分自编码器(VAE)
- 生成对抗网络(GAN)
- 深度信念网络(DBN)
- 深度玻尔兹曼机(DBM)
- Transformer
- BERT
- GPT
主要区别:
- 机器学习算法通常需要手工设计特征,而深度学习可以自动学习特征。
- 深度学习模型通常需要更多的数据和计算资源。
- 深度学习在图像、语音、自然语言处理等复杂任务上表现更好。
- 机器学习算法通常更易解释,深度学习模型往往是黑盒。