下载掌阅APP，畅读海量书库
立即打开
机器学习算法是一类自动分析数据并获得规律，利用规律对未知数据进行预测的算法。机器学习可以分成有监督、无监督、半监督和强化学习。分类和回归是有监督学习问题，聚类、关联规则是无监督学习问题。机器学习算法的理论基础来自于统计学、最优化等基础算法。因此，本章从统计算法开始，然后讨论常见的机器学习算法，并简要总结近年来热度较高的深度学习算法，最后从计算负荷的角度去审视这些算法的特点。
如第1章所述，对于这些算法，目前有很多优秀的图书对理论推导过程、R/Python语言算法使用方法进行了详细论述，本章侧重于工程师应用视角，从算法的应用场景、应用前提、参数影响、关键要点、核心思想等角度进行探讨，尝试为工业数据分析师建立起必要的概念框架。基于这样的考虑，本章只选择典型的基础算法（如线性回归、SVM算法）、工科背景容易迷惑的算法（如贝叶斯模型），而不会穷尽所有算法；另外，在内容上，更强调直觉理解，例如SVM参数对结果的影响大小和影响的原理，从函数逼近的角度去理解傅里叶变换，从函数分而治之的角度去理解神经网络的逼近能力。