├── .DS_Store ├── README.md ├── article ├── pic │ └── 01 │ │ ├── 01-b-m.png │ │ ├── 01-ch-dl.png │ │ ├── 01-ml-all.png │ │ ├── 01-ml-dl.png │ │ └── 01-python.png ├── 第1章人工智能之机器学习算法体系汇总.md └── 第2章1节生成式对抗网络原理与实战.md └── python ├── .idea ├── misc.xml ├── modules.xml ├── python.iml └── workspace.xml └── tmp ├── gan.py └── test.py /.DS_Store: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/vbay/machine-learning/90b6fd467361a64c7886f65e52c41b372f3e81df/.DS_Store -------------------------------------------------------------------------------- /README.md: -------------------------------------------------------------------------------- 1 | 人工智能之机器学习 machine-learning 2 | ============================== 3 | 4 | :zap:最新文章 [第一章人工智能之机器学习算法体系汇总.md](./article/第1章人工智能之机器学习算法体系汇总.md) 5 | 6 | :cn:[中文](#中文) :us:[English](#english) 7 | 8 | > :white_check_mark:*转载请注明出处与作者信息* 9 | ``` 10 | 原创作者：王小雷 11 | 作品出自：https://github.com/wangxiaoleiAI/machine-learning 12 | ``` 13 | 14 | 15 | 16 | :cn:中文 17 | ------- 18 | ***:star:[Star](https://github.com/wangxiaoleiAI/machine-learning.git)*** 19 | ***:fire:[Fork](https://github.com/wangxiaoleiAI/machine-learning.git)*** :rocket:[Follow](https://github.com/wangxiaoleiAI) 20 | :boom:[评论 issues](https://github.com/wangxiaoleiAI/machine-learning/issues/2) 21 | - [摘要](#摘要) 22 | - [第一章人工智能之机器学习算法体系汇总.md](./article/第1章人工智能之机器学习算法体系汇总.md) 23 | - [作者](#作者) 24 | 25 | 摘要 26 | -------- 27 | 面向人工智能的机器学习，讲解主流机器学习算法原理和编程实现(主Python)。文章和源码皆开源。 https://github.com/wangxiaoleiai/machine-learning 立志每周【周日】文章更新1+，努力构建机器学习体系。 28 | 29 | 作者 30 | --------- 31 | |编号| 姓名 | 博客 | github |加入时间| 32 | | :-- | :----: | :-----------------------: | :--------------------: | ---: | 33 | |1 | 王小雷 | http://blog.csdn.net/dream_an | https://github.com/wangxiaoleiAI |2017-7-24| 34 | |2 |--|--|--|--| 35 | 36 | :email: wov@outlook.com 37 | ---- 38 | 39 | 40 | :us:English 41 | --------- 42 | 43 | ***:star:[Star](https://github.com/wangxiaoleiAI/machine-learning.git)*** 44 | ***:fire:[Fork](https://github.com/wangxiaoleiAI/machine-learning.git)*** :rocket:[Follow](https://github.com/wangxiaoleiAI) 45 | :boom:[评issues](https://github.com/wangxiaoleiAI/machine-learning/issues/2) 46 | 47 | - [Overview](#overview) 48 | - [Author](#author) 49 | 50 | Overview 51 | -------- 52 | 53 | 54 | 55 | 56 | 57 | Author 58 | --------- 59 | 60 | |number| name | blog | github |join| 61 | | :-- | :----: | :-----------------------: | :--------------------: | ---: | 62 | |1 | wangxiaolei | http://blog.csdn.net/dream_an | https://github.com/wangxiaoleiAI |2017-7-24| 63 | |2 |--|--|--|--| 64 | -------------------------------------------------------------------------------- /article/pic/01/01-b-m.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/vbay/machine-learning/90b6fd467361a64c7886f65e52c41b372f3e81df/article/pic/01/01-b-m.png -------------------------------------------------------------------------------- /article/pic/01/01-ch-dl.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/vbay/machine-learning/90b6fd467361a64c7886f65e52c41b372f3e81df/article/pic/01/01-ch-dl.png -------------------------------------------------------------------------------- /article/pic/01/01-ml-all.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/vbay/machine-learning/90b6fd467361a64c7886f65e52c41b372f3e81df/article/pic/01/01-ml-all.png -------------------------------------------------------------------------------- /article/pic/01/01-ml-dl.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/vbay/machine-learning/90b6fd467361a64c7886f65e52c41b372f3e81df/article/pic/01/01-ml-dl.png -------------------------------------------------------------------------------- /article/pic/01/01-python.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/vbay/machine-learning/90b6fd467361a64c7886f65e52c41b372f3e81df/article/pic/01/01-python.png -------------------------------------------------------------------------------- /article/第1章人工智能之机器学习算法体系汇总.md: -------------------------------------------------------------------------------- 1 | - [1.人工智能之机器学习体系汇总](#1.人工智能之机器学习体系汇总) 2 | - [2.人工智能相关趋势分析](#2.人工智能相关趋势分析) 3 | - [2.1.人工智能再次登上历史舞台](#2.1.人工智能再次登上历史舞台) 4 | - [2.2.Python才是王道](#2.2.Python才是王道) 5 | - [2.3.深度学习趋势大热](#2.3.深度学习趋势大热) 6 | - [2.4.中国更爱深度学习](#2.4.中国更爱深度学习) 7 | - [3.结语](#3.结语) 8 | 9 | 参加完2017CCAI，听完各位专家的演讲后受益匪浅。立志写“人工智能之机器学习”系列，此为开篇，主要梳理了机器学习方法体系，人工智能相关趋势，Python与机器学习，以及结尾的一点感恩。 10 | 11 | >[Github开源机器学习系列文章及算法源码](https://github.com/wangxiaoleiAI/machine-learning) 12 | 13 | 1.人工智能之机器学习体系汇总 14 | ==== 15 | 【直接上干货】此处梳理出面向人工智能的机器学习方法体系，主要体现机器学习方法和逻辑关系，理清机器学习脉络，后续文章会针对机器学习系列讲解算法原理和实战。抱着一颗严谨学习之心，有不当之处欢迎斧正。 16 | 17 | ![](./pic/01/01-ml-all.png) 18 | 19 | - 监督学习 Supervised learning 20 | - 人工神经网络 Artificial neural network 21 | - 自动编码器 Autoencoder 22 | - 反向传播 Backpropagation 23 | - 玻尔兹曼机 Boltzmann machine 24 | - 卷积神经网络 Convolutional neural network 25 | - Hopfield网络 Hopfield network 26 | - 多层感知器 Multilayer perceptron 27 | - 径向基函数网络（RBFN） Radial basis function network(RBFN) 28 | - 受限玻尔兹曼机 Restricted Boltzmann machine 29 | - 回归神经网络（RNN） Recurrent neural network(RNN) 30 | - 自组织映射（SOM） Self-organizing map(SOM) 31 | - 尖峰神经网络 Spiking neural network 32 | - 贝叶斯 Bayesian 33 | - 朴素贝叶斯 Naive Bayes 34 | - 高斯贝叶斯 Gaussian Naive Bayes 35 | - 多项朴素贝叶斯 Multinomial Naive Bayes 36 | - 平均一依赖性评估（AODE） Averaged One-Dependence Estimators(AODE) 37 | - 贝叶斯信念网络（BNN） Bayesian Belief Network(BBN) 38 | - 贝叶斯网络（BN） Bayesian Network(BN) 39 | - 决策树 Decision Tree 40 | - 分类和回归树（CART） Classification and regression tree (CART) 41 | - 迭代Dichotomiser 3（ID3） Iterative Dichotomiser 3(ID3) 42 | - C4.5算法 C4.5 algorithm 43 | - C5.0算法 C5.0 algorithm 44 | - 卡方自动交互检测（CHAID） Chi-squared Automatic Interaction Detection(CHAID) 45 | - 决策残端 Decision stump 46 | - ID3算法 ID3 algorithm 47 | - 随机森林 Random forest 48 | - SLIQ 49 | - 线性分类 Linear classifier 50 | - Fisher的线性判别 Fisher's linear discriminant 51 | - 线性回归 Linear regression 52 | - Logistic回归 Logistic regression 53 | - 多项Logistic回归 Multinomial logistic regression 54 | - 朴素贝叶斯分类器 Naive Bayes classifier 55 | - 感知 Perceptron 56 | - 支持向量机 Support vector machine 57 | - 无监督学习 Unsupervised learning 58 | - 人工神经网络 Artificial neural network 59 | - 对抗生成网络 60 | - 前馈神经网络 Feedforward neurral network 61 | - 极端学习机 Extreme learning machine 62 | - 逻辑学习机 Logic learning machine 63 | - 自组织映射 Self-organizing map 64 | - 关联规则学习 Association rule learning 65 | - 先验算法 Apriori algorithm 66 | - Eclat算法 Eclat algorithm 67 | - FP-growth算法 FP-growth algorithm 68 | - 分层聚类 Hierarchical clustering 69 | - 单连锁聚类 Single-linkage clustering 70 | - 概念聚类 Conceptual clustering 71 | - 聚类分析 Cluster analysis 72 | - BIRCH 73 | - DBSCAN 74 | - 期望最大化（EM） Expectation-maximization(EM) 75 | - 模糊聚类 Fuzzy clustering 76 | - K-means算法 K-means algorithm 77 | - k-均值聚类 K-means clustering 78 | - k-位数 K-medians 79 | - 平均移 Mean-shift 80 | - OPTICS算法 OPTICS algorithm 81 | - 异常检测 Anomaly detection 82 | - k-最近邻算法（K-NN） k-nearest neighbors classification(K-NN) 83 | - 局部异常因子 Local outlier factor 84 | - 半监督学习 Semi-supervised learning 85 | - 生成模型 Generative models 86 | - 低密度分离 Low-density separation 87 | - 基于图形的方法 Graph-based methods 88 | - 联合训练 Co-training 89 | - 强化学习 Reinforcement learning 90 | - 时间差分学习 Temporal difference learning 91 | - Q学习 Q-learning 92 | - 学习自动 Learning Automata 93 | - 状态-行动-回馈-状态-行动（SARSA） State-Action-Reward-State-Action(SARSA) 94 | - 深度学习 Deep learning 95 | - 深度信念网络 Deep belief machines 96 | - 深度卷积神经网络 Deep Convolutional neural networks 97 | - 深度递归神经网络 Deep Recurrent neural networks 98 | - 分层时间记忆 Hierarchical temporal memory 99 | - 深度玻尔兹曼机（DBM） Deep Boltzmann Machine(DBM) 100 | - 堆叠自动编码器 Stacked Boltzmann Machine 101 | - 生成式对抗网络（GANs） Generative adversarial networks(GANs) 102 | - 迁移学习 Transfer learning 103 | - 传递式迁移学习 Transitive Transfer Learning 104 | - 其他 105 | - 集成学习算法 106 | - Bootstrap aggregating (Bagging) 107 | - AdaBoost 108 | - 梯度提升机（GBM） Gradient boosting machine(GBM) 109 | - 梯度提升决策树（GBRT） Gradient boosted decision tree(GBRT) 110 | - 降维 111 | - 主成分分析（PCA） Principal component analysis(PCA) 112 | - 主成分回归（PCR） Principal component regression(PCR) 113 | - 因子分析 Factor analysis 114 | 115 | >学习应当严谨，有不当场之处欢迎斧正。 116 | 117 | >强力驱动 Wikipedia CSDN 118 | 119 | 2.人工智能相关趋势分析 120 | === 121 | 2.1.人工智能再次登上历史舞台 122 | ----------- 123 | 124 | 人工智能与大数据对比——当今人工智能高于大数据 125 | ![](./pic/01/01-b-m.png) 126 | 127 | [数据来自Goolge trends] 128 | 129 | 2.2.Python才是王道 130 | ------------ 131 | ![](./pic/01/01-python.png) 132 | 133 | [数据来自Google trends] 134 | 135 | 2.3.深度学习趋势大热 136 | --------- 137 | ![](./pic/01/01-ml-dl.png) 138 | 139 | [数据来自Google trends] 140 | 141 | 2.4.中国更爱深度学习 142 | ---------- 143 | ![](./pic/01/01-ch-dl.png) 144 | 145 | [数据来源-Google trends] 146 | 147 | 3.结语 148 | ====== 149 | 关于人工智能的一点感想，写在最后 150 | 151 | > AI systems can’t model everything... AI needs to be robust to “unknown unknowns” [Thomas G.Dietterich ,2017CCAI] 152 | 153 | 中国自古有之 154 | 155 | >“知之为知之，不知为不知，是知也”【出自《论语》】 156 | 157 | 人工智能已然是历史的第三波浪潮，堪称“工业4.0”，有突破性的成就，但也有未解之谜。真正创造一个有认知力的“生命”——还有很大的难度。希望此次浪潮会持续下去，创造出其真正的价值，而非商业泡沫。 158 | 159 | 大多数的我们发表不了顶级学术论文，开创不了先河。不要紧，沉下心，努力去实践。 160 | 161 | 人工智能路漫漫，却让我们的生活充满了机遇与遐想。 162 | 163 | 164 | >立志每周【周日】更新一篇“人工智能之机器学习”系列。[Github开源机器学习系列文章及算法源码](https://github.com/wangxiaoleiAI/machine-learning) 165 | 166 | 感谢CSDN的2017CCAI参会机遇与分享平台。 167 | 168 | > :rocket:[评论本章节 issues](https://github.com/wangxiaoleiAI/machine-learning/issues/2) 169 | 170 | > :white_check_mark:*转载请注明出处与作者信息* 171 | ``` 172 | 原创作者：王小雷 173 | 作品出自：https://github.com/wangxiaoleiAI/machine-learning 174 | ``` 175 | :star:[Star](https://github.com/wangxiaoleiAI/machine-learning.git) 176 | :fire:[Fork](https://github.com/wangxiaoleiAI/machine-learning.git) :boom:[Follow](https://github.com/wangxiaoleiAI) 177 | -------------------------------------------------------------------------------- /article/第2章1节生成式对抗网络原理与实战.md: -------------------------------------------------------------------------------- 1 | :izakaya_lantern:构建中 2 | # 构建中..2018/01 3 | 生成式对抗网络（Generative Adversarial Network,GANs）， 4 | 5 | 6 | 7 | 8 | > :rocket:[评论本章节 issues](https://github.com/wangxiaoleiAI/machine-learning/issues/2) 9 | 10 | > :white_check_mark:*转载请注明出处与作者信息* 11 | ``` 12 | 原创作者：王小雷 13 | 作品出自：https://github.com/wangxiaoleiAI/machine-learning 14 | ``` 15 | 16 | :star:[Star](https://github.com/wangxiaoleiAI/machine-learning.git) 17 | :fire:[Fork](https://github.com/wangxiaoleiAI/machine-learning.git) :boom:[Follow](https://github.com/wangxiaoleiAI) 18 | 19 | 20 | 21 | >参考文献 22 | 23 | 1 Goodfellow I, Pouget-Abadie J, Mirza M, Xu B, Warde- Farley D, Ozair S, Courville A, Bengio Y. Generative adver- sarial nets. In: Proceedings of the 2014 Conference on Ad- vances in Neural Information Processing Systems 27. Mon- treal, Canada: Curran Associates, Inc., 2014. 2672−2680 24 | 25 | 2 26 | -------------------------------------------------------------------------------- /python/.idea/misc.xml: -------------------------------------------------------------------------------- 1 | 2 | 3 | 4 | -------------------------------------------------------------------------------- /python/.idea/modules.xml: -------------------------------------------------------------------------------- 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | -------------------------------------------------------------------------------- /python/.idea/python.iml: -------------------------------------------------------------------------------- 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 11 | -------------------------------------------------------------------------------- /python/.idea/workspace.xml: -------------------------------------------------------------------------------- 1 | 2 | 3 | 4 | 5 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 32 | 33 | 34 | 40 | 41 | 42 | 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 | 70 | 71 | 72 | 73 | 74 | 75 |