機(jī)器學(xué)習(xí)的算法有很多很多：1、Mahalanobis 2、K-means 非監(jiān)督的聚類方法3、樸素貝葉斯分類器 特征是高斯分布&&統(tǒng)計(jì)上相互獨(dú)立 條件比較苛刻4、決策數(shù) 判別分類器，根據(jù)閾值分類數(shù)據(jù)，速度快。ID3，C4.5 5、Boosting 多個(gè)判別子分類器的組合6、隨機(jī)森林 由多個(gè)決策樹組成7、人臉檢測(cè)/Haar分類器 使用Boosting算法8、期望最大化EM 用于聚類的非監(jiān)督生成算法 9、K-近鄰 最簡(jiǎn)單的分類器10、神經(jīng)網(wǎng)絡(luò)（多層感知器） 訓(xùn)練分類器很慢，但是識(shí)別很快11、支持向量機(jī) SVM 可以分類，也可以回歸。通過(guò)分類超平面實(shí)現(xiàn)在高維空間里的最優(yōu)分類 12、遺傳算法 借鑒生物遺傳機(jī)制 ，隨機(jī)化非線性計(jì)算算法總之呢，個(gè)人覺(jué)得，機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、模式識(shí)別、專家系統(tǒng)等方向和領(lǐng)域目前還是一種比較混亂的局面。學(xué)術(shù)界和商業(yè)界可能是不同的，關(guān)于算法的理論研究和使用這些方法生成商品是分別關(guān)注的。按照不同的領(lǐng)域、不同的方法可以劃分出眾多的分支。但是有一點(diǎn)是肯定的，這些在上世紀(jì)80年代提出來(lái)的公式和證明，如今正在變成一行行的代碼，在一些貓（tomcat）、IIS等服務(wù)器的支持下，爬上了網(wǎng)絡(luò)，到處尋覓對(duì)主人有用的信息，然后運(yùn)送到網(wǎng)絡(luò)中，最終生成產(chǎn)品，或者半產(chǎn)品?？纯茨汶娔X上的那根網(wǎng)線，它那么小，但是很難想象它從你的電腦上拿走了什么，又給你送來(lái)了什么。有些遠(yuǎn)了，繼續(xù)說(shuō)數(shù)據(jù)這些事。目前我接觸過(guò)的算法有：（太多了，一時(shí)間真不好說(shuō)出來(lái)） 神經(jīng)網(wǎng)絡(luò)（感知器、BP、RBF等很多的算法），遺傳算法，支持向量機(jī)，層次分析法，各種回歸，灰色系統(tǒng)（國(guó)產(chǎn)的方法，用于不確定知識(shí)的預(yù)測(cè)），粗糙集，貝葉斯網(wǎng)絡(luò)，時(shí)間序列分析（也有很多）。學(xué)習(xí)和研究紙面的算法公式只是第一步，不可以忽略的基礎(chǔ)，如何使用這些方法，在浩瀚的互聯(lián)網(wǎng)上找到自己需要的、滿足客戶需要的數(shù)據(jù)和信息，從而讓需要的人能夠更加方便地得到，是今后的重頭戲了。貌似很多的企業(yè)已經(jīng)進(jìn)軍數(shù)據(jù)倉(cāng)庫(kù)這一塊，并嘗到了巨大的甜頭，也有企業(yè)養(yǎng)著一隊(duì)預(yù)備軍，專注研發(fā)，隨時(shí)準(zhǔn)備奔赴前線，占領(lǐng)市場(chǎng)。無(wú)線網(wǎng)絡(luò)市場(chǎng)的競(jìng)爭(zhēng)已經(jīng)到了激烈的局面，普適計(jì)算的時(shí)代也快到了吧。它依賴于硬件產(chǎn)品的可穿戴，和軟件產(chǎn)品的內(nèi)嵌、快速響應(yīng)?？偠灾?，越來(lái)越人性化，誰(shuí)都不愿意抱著筆記本電腦蹲廁所，是吧？
