最近以来一直在学习机器学习，然后自己就不断总结和写笔记，记录下自己的学习历程。 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
- 机器学习是计算机科学的一个子领域，在人工智能领域，机器学习逐渐发展成模式识别和计算科学理论的研究。
- 机器学习：多领域交叉学科，涉及概率论统计学，逼近论，凸分析，算法复杂度理论等多门学科。
- 机器学习的应用：语音识别，自动驾驶，语言翻译，计算机视觉，推荐系统，无人机，识别垃圾邮件，人脸识别，电商推荐系统。
- 深度学习：深度学习是基于机器学习延伸出来的一个新的领域，由以人大脑结构为启发的神经网络算法为起源加之模型结构深度的增加发展，并伴随大数据和计算能力的提高而产生的一系列新的算法。
- 深度学习的方向：被应用在图像处理与计算机视觉，自然语言处理以及语音识别等领域。
从2016年起，机器学习有了新的突破和发展。但是，有效的机器学习是困难的，因为机器学习本身就是一个交叉学科，没有科学的方法及一定的积累很难入门。 从2017年10月19日，Nature上发表了新一代AlphaGo版本AlphaGo Zero的技术论文。指出一种仅基于强化学习的算法，AlphaGo Zero不使用人类的数据、指导或规则以外的领域知识成了自己的老师。DeepMind代表了目前人工智能领域最强的技术，其核心是两个字：算法。 很多人都想成为一个AI开发者，不仅是因为AI开发的薪资高，更主要是因为AI这几年的快速发展,但是因为AI本身的门槛就比较高,很多人可能就会比较徘徊，因而想把自己学习AI的过程写成本书,共大家参考和学习！
- BP神经网络
- RBF算法
- SOM神经网络
- ART神经网络
- 贝叶斯网络
- 粗糙集
- 孤立点分析
- CART
- EM
- FP—tree
- GSP序列
- 协同过滤
- BIRCH
- Prefixspan
- PageRank
- AdaBoost
- CBA
- KNN
- Hopfield神经网络
- 决策树
- 聚类分析
- 关联规则
- 支持向量机（SVM）
持续更新算法和算法模型，后续的会不断的补上，希望可以对新入门学习AI和算法的开发者有帮助！
觉得此文章不错可以给我star！
This is free software distributed under the terms of the MIT license