小马最近在薅证书，也遇到了不少算法相关的考题，回过头来还是需要系统学习和深挖一下算法的，以前也简单整理过《AI基础》。以前只是需要用什么学什么，现在发现终归还是要还的。于是咱们还是先从整体到局部一步步剥开AI算法这道大门吧。
人工智能（AI）算法种类繁多，涵盖从基础机器学习到前沿深度学习、强化学习等多个领域。以下是主要分类及代表性算法：
1. 机器学习算法
监督学习（有标签数据）
分类：预测类别标签
逻辑回归：二分类问题。
决策树（如C4.5、CART）：可解释性强。
支持向量机（SVM）：高维数据分类。
随机森林：集成多棵决策树，抗过拟合。
梯度提升机（GBM）：如XGBoost、LightGBM，竞赛常用。
回归：预测连续值
线性回归：基础回归模型。
岭回归/Lasso回归：带正则化的线性回归。
无监督学习（无标签数据）
聚类：数据分组
K均值（K-Means）：简单高效。
层次聚类：树状结构分组。
DBSCAN：基于密度的聚类。
降维：减少数据维度
主成分分析（PCA）：线性降维。
t-SNE：非线性降维，可视化常用。
关联规则：发现数据关系
Apriori：购物篮分析（如“啤酒与尿布”）。
半监督学习（部分标签数据）
标签传播算法：利用少量标签推断未标记数据。
强化学习（交互决策）
Q-Learning：基于值函数的策略学习。
深度Q网络（DQN）：结合深度学习的Q-Learning。
策略梯度方法：如PPO（近端策略优化）、A3C。
2. 深度学习算法
神经网络基础
前馈神经网络（FNN）：基础多层感知机。
卷积神经网络（CNN）：图像处理核心，如ResNet、VGG。
循环神经网络（RNN）：处理序列数据，如LSTM、GRU（解决长依赖问题）。
Transformer：自注意力机制，主导NLP领域（如BERT、GPT）。
生成模型
生成对抗网络（GAN）：生成逼真数据（图像/视频）。
变分自编码器（VAE）：数据生成与降维结合。
其他架构
图神经网络（GNN）：处理图结构数据（社交网络、分子结构）。
胶囊网络（CapsNet）：改进图像中物体的空间关系建模。
3. 自然语言处理（NLP）
词嵌入：Word2Vec、GloVe、FastText。
预训练语言模型：BERT（双向编码）、GPT（生成式）、T5（文本到文本框架）。
序列标注：BiLSTM-CRF（命名实体识别）。
文本生成：基于Transformer的模型（如ChatGPT）。
4. 计算机视觉（CV）
目标检测：YOLO、Faster R-CNN、EfficientDet。
图像分割：Mask R-CNN、U-Net（医学图像）。
姿态估计：OpenPose、HRNet。
图像生成：StyleGAN（高分辨率生成）、Stable Diffusion（文生图）。
5. 优化与正则化
优化算法：梯度下降、Adam、RMSProp。
正则化技术：Dropout、Batch Normalization、权重衰减。
6. 其他重要算法
集成学习：Bagging（随机森林）、Boosting（AdaBoost、XGBoost）。
迁移学习：微调预训练模型（如ImageNet上的模型迁移）。
异常检测：Isolation Forest、One-Class SVM。
推荐系统：协同过滤、矩阵分解（如SVD++）、深度推荐模型（如Wide & Deep）。
应用场景示例
图像识别：CNN（如ResNet）。
语音识别：RNN或Transformer（如WaveNet）。
自动驾驶：强化学习+计算机视觉（如DQN+CNN）。
医疗诊断：迁移学习（如用预训练模型分析医学影像）。
以上算法根据任务需求选择，例如数据量小可用传统机器学习（如SVM、随机森林），数据量大或复杂任务（如图像、文本）适合深度学习。实际应用中常结合多种算法（如CNN提取特征+XGBoost分类）。
