Introduction aux algorithmes d'intelligence artificielle

Les trois pierres angulaires de l'intelligence artificielle sont les algorithmes, les données et la puissance de calcul en font partie, qui sont très importantes. Alors, quels algorithmes sont impliqués dans l'intelligence artificielle ?

Selon différentes méthodes de formation modèles, il peut être divisé en apprentissage supervisé (Apprentissage supervisé), apprentissage non supervisé (Apprentissage non supervisé) et apprentissage semi-supervisé ( Apprentissage semi-supervisé) et apprentissage par renforcement (Reinforcement Learning) quatre grandes catégories.

Les algorithmes d'apprentissage supervisé courants incluent les catégories suivantes : (Apprentissage recommandé : Tutoriel vidéo PHP)

(1) Réseau de neurones artificiels Catégorie (Réseau de neurones artificiels) : Rétropropagation, Machine de Boltzmann, Réseau de neurones convolutifs, Réseau de Hopfield, Perceptron multicouche, Réseau de fonctions de base radiale (RBFN), Machine de Boltzmann restreinte (Machine de Boltzmann restreinte), Réseau de neurones récurrents (RNN), Carte auto-organisée (SOM), réseau neuronal à pointes, etc.

(2) Bayesin : Bayes naïf, Bayes naïf gaussien, Bayes naïf multinomial, moyenne - Estimateurs moyennés à une dépendance (AODE)

Réseau de croyances bayésiennes (BBN), Réseau bayésien (BN) , etc.

(3) Catégorie Arbre de décision (Arbre de décision) : Arbre de classification et de régression (CART), Dichotomiseur itératif3 (ID3), Algorithme C4.5 (Algorithme C4.5), Algorithme C5.0, Chi carré Détection automatique d'interaction (CHAID), souche de décision, algorithme ID3, forêt aléatoire, SLIQ (apprentissage supervisé en quête), etc.

(4) Catégorie du classificateur linéaire : discriminant linéaire de Fisher

Régression linéaire, régression logistique, régression logique multinomiale (régression logistique multinomiale), classificateur naïf de Bayes (classificateur naïf de Bayes), perception (perception) , Machine à vecteurs de support (Machine à vecteurs de support), etc.

Les algorithmes d'apprentissage non supervisés courants comprennent :

(1) Réseau de neurones artificiels (réseau de neurones artificiels) : réseaux contradictoires génératifs (GAN), réseau de neurones à action directe (réseau de neurones à action directe), machine d'apprentissage logique ( Logic Learning Machine), Carte auto-organisée (Carte auto-organisée), etc.

(2) Catégorie Apprentissage des règles d'association : algorithme Apriori, algorithme Eclat, algorithme FP-Growth, etc.

(3) Clustering hiérarchique : Clustering à liaison unique, Clustering conceptuel, etc.

(4) Analyse de cluster (analyse de cluster) : algorithme BIRCH, algorithme DBSCAN, espérance-maximisation (EM), clustering flou (Fuzzy Clustering), algorithme K-means, classe de clustering K-means (K-means Clustering), clustering K-médians, algorithme de décalage moyen (Mean-shift), algorithme OPTICS, etc.

(5) Catégorie de détection d'anomalies (Détection d'anomalies) : algorithme K-nearest Neighbour (KNN), algorithme de facteur de valeur aberrante locale (Local Outlier Factor, LOF), etc.

Les algorithmes d'apprentissage semi-supervisés courants comprennent :

Modèles génératifs, séparation à faible densité, méthodes basées sur des graphiques), formation conjointe (co-formation) , etc.

Les algorithmes d'apprentissage par renforcement courants incluent :

Q-learning, State-Action-Reward-State-Action-Reward-State-Action, SARSA), DQN (Deep Q Network), gradients politiques, RL basé sur un modèle, apprentissage différentiel temporel, etc.

Les algorithmes d'apprentissage en profondeur courants incluent :

Les machines de croyance profonde, les réseaux de neurones convolutifs profonds et le réseau de réseaux de neurones récurrents profonds (réseau de neurones récurrents profonds), la mémoire temporelle hiérarchique ( HTM), Deep Boltzmann Machine (DBM), Stacked Autoencoder (Stacked Autoencoder), Generative Adversarial Networks), etc.

Pour plus d'articles techniques liés à PHP, veuillez visiter la colonne Tutoriel graphique PHP pour apprendre !

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!