此处梳理出面向人工智能的机器学习方法体系，主要体现机器学习方法和逻辑关系，理清机器学习脉络，后续文章会针对机器学习系列讲解算法原理和实战。抱着一颗严谨学习之心，有不当之处欢迎斧正。
-监督学习 Supervised learning
-人工神经网络 Artificial neural network
-自动编码器 Autoencoder
-反向传播 Backpropagation
-玻尔兹曼机 Boltzmann machine
-卷积神经网络 Convolutional neural network
-Hopfield网络 Hopfield network
-多层感知器 Multilayer perceptron
-径向基函数网络（RBFN） Radial basis function network(RBFN)
-受限玻尔兹曼机 Restricted Boltzmann machine
-回归神经网络（RNN） Recurrent neural network(RNN)
-自组织映射（SOM） Self-organizing map(SOM)
-尖峰神经网络 Spiking neural network
-贝叶斯 Bayesian
-朴素贝叶斯 Naive Bayes
-高斯贝叶斯 Gaussian Naive Bayes
-多项朴素贝叶斯 Multinomial Naive Bayes
-平均一依赖性评估（AODE） Averaged One-Dependence Estimators(AODE)
-贝叶斯信念网络（BNN） Bayesian Belief Network(BBN)
-贝叶斯网络（BN） Bayesian Network(BN)
-决策树 Decision Tree
-分类和回归树（CART） Classification and regression tree (CART)
-迭代Dichotomiser 3（ID3） Iterative Dichotomiser 3(ID3)
-C4.5算法 C4.5 algorithm
-C5.0算法 C5.0 algorithm
-卡方自动交互检测（CHAID） Chi-squared Automatic Interaction Detection(CHAID)
-决策残端 Decision stump
-ID3算法 ID3 algorithm
-随机森林 Random forest
-SLIQ
-线性分类 Linear classifier
-Fisher的线性判别 Fisher's linear discriminant
-线性回归 Linear regression
-Logistic回归 Logistic regression
-多项Logistic回归 Multinomial logistic regression
-朴素贝叶斯分类器 Naive Bayes classifier
-感知 Perceptron
-支持向量机 Support vector machine
-无监督学习 Unsupervised learning
-人工神经网络 Artificial neural network
-对抗生成网络
-前馈神经网络 Feedforward neurral network
-极端学习机 Extreme learning machine
-逻辑学习机 Logic learning machine
-自组织映射 Self-organizing map
-关联规则学习 Association rule learning
-先验算法 Apriori algorithm
-Eclat算法 Eclat algorithm
-FP-growth算法 FP-growth algorithm
-分层聚类 Hierarchical clustering
-单连锁聚类 Single-linkage clustering
-概念聚类 Conceptual clustering
-聚类分析 Cluster analysis
-BIRCH
-DBSCAN
-期望最大化（EM） Expectation-maximization(EM)
-模糊聚类 Fuzzy clustering
-K-means算法 K-means algorithm
-k-均值聚类 K-means clustering
-k-位数 K-medians
-平均移 Mean-shift
-OPTICS算法 OPTICS algorithm
-异常检测 Anomaly detection
-k-最近邻算法（K-NN） k-nearest neighbors classification(K-NN)
-局部异常因子 Local outlier factor
-半监督学习 Semi-supervised learning
-生成模型 Generative models
-低密度分离 Low-density separation
-基于图形的方法 Graph-based methods
-联合训练 Co-training
-强化学习 Reinforcement learning
-时间差分学习 Temporal difference learning
-Q学习 Q-learning
-学习自动 Learning Automata
-状态-行动-回馈-状态-行动（SARSA） State-Action-Reward-State-Action(SARSA)
-深度学习 Deep learning
-深度信念网络 Deep belief machines
-深度卷积神经网络 Deep Convolutional neural networks
-深度递归神经网络 Deep Recurrent neural networks
-分层时间记忆 Hierarchical temporal memory
-深度玻尔兹曼机（DBM） Deep Boltzmann Machine(DBM)
-堆叠自动编码器 Stacked Boltzmann Machine
-生成式对抗网络 Generative adversarial networks
-迁移学习 Transfer learning
-传递式迁移学习 Transitive Transfer Learning
其他：
-集成学习算法
-Bootstrap aggregating (Bagging)
-AdaBoost
-梯度提升机（GBM） Gradient boosting machine(GBM)
-梯度提升决策树（GBRT） Gradient boosted decision tree(GBRT)
-降维
-主成分分析（PCA） Principal component analysis(PCA)
-主成分回归（PCR） Principal component regression(PCR)
-因子分析 Factor analysis
人工智能相关趋势分析
人工智能与大数据对比——当今人工智能高于大数据
深度学习趋势大热
中国更爱深度学习
人工智能已然是历史的第三波浪潮，堪称“工业4.0”，有突破性的成就，但也有未解之谜。真正创造一个有认知力的“生命”——还有很大的难度。希望此次浪潮会持续下去，创造出其真正的价值，而非商业泡沫。
大多数的我们发表不了顶级学术论文，开创不了先河。不要紧，沉下心，努力去实践。人工智能路漫漫，却让我们的生活充满了机遇与遐想。
