演算法主要分類架構

依照學習理論與任務演算法分類架構

• 分類任務：SVM、KNN、貝氏推理。
• 預測(迴歸)：馬可夫鏈、HMM、迴歸模型。
• 分群：K-Means、階層式分群法。
• 維度縮減：主成分分析法(PCA)、因素分析法(FA)。
• 關聯分析：Apriori。
• 最佳化方案選擇：Q-Learning、Deep Q-Learning。

Pedro Domingos演算法分類架構

機器學習演算法

• 貝式推理學派
  • 樸素貝式推理
  • 馬可夫鏈
  • 隱藏馬可夫鏈
• 類推學派
  • k近鄰演算法
  • 支持向量機
• 符號學派
  • 決策樹
  • 決策樹集成方法
    • 袋裝法
    • 隨機森林
• 連結學派
  • 淺層神經網路
  • 深度學習
• 演學學派
  • 遺傳基因演算法
  • 強化學習
• 非監督式學習
  • K平均演算法
  • 主成分分析法

各學派論點簡述：

1. 貝式推理學派(Bayesian Inference)：以「條件機率」(Conditional Propability)為主要預測判斷準則。
2. 類推學派(Analogical Reasoning)：以物件的「相似性程度」(Similarity)高低作為預測與判斷的推理準則。
3. 符號學派(Symbolism)：主要以if then else的「法則」及「因果關係的推論」做為預測判斷的準則。
4. 連結學派(Connectionism)：主要是利用神經網路(Neural Network)節點的多層級連結模式來訓練學習，並對事件進行預測與判斷。
5. 演化學派(Evolutionary)：利用不斷的「演化突變」以及不斷的「試誤」(Try and Error)、改善、學習來提升判斷的準確度。
6. 未監督的演算法。

沒有一個最好的演算法，只有一個「最適用」的演算法。

參考資料
人工智慧-概念應用與管理　林東清著