1、監督學習（SupervisedLearning）：有類別標簽的學習，基于訓練樣本的輸入、輸出訓練得到最優模型，再使用該模型預測新輸入的輸出；

代表算法：決策樹、樸素貝葉斯、邏輯回歸、KNN、SVM、神經網絡、隨機森林、AdaBoost、遺傳算法；

2、半監督學習（Semi-supervisedLearning）：同時使用大量的未標記數據和標記數據，進行模式識別工作；

代表算法：self-training(自訓練算法)、generative models生成模型、SVMs半監督支持向量機、graph-basedmethods圖論方法、?multiviewlearing多視角算法等；

3、無監督學習（UnsupervisedLearning）：無類別標簽的學習，只給定樣本的輸入，自動從中尋找潛在的類別規則；

代表算法：主成分分析方法PCA等，等距映射方法、局部線性嵌入方法、拉普拉斯特征映射方法、黑塞局部線性嵌入方法、局部切空間排列方法等；

4、HOG特征：全稱Histogram of Oriented Gradient（方向梯度直方圖），由圖像的局部區域梯度方向直方圖構成特征；

5、LBP特征：全稱Local Binary Pattern（局部二值模式），通過比較中心與鄰域像素灰度值構成圖像局部紋理特征；

6、Haar特征：描述圖像的灰度變化，由各模塊的像素差值構成特征；

7、核函數（Kernels）：從低維空間到高維空間的映射，把低維空間中線性不可分的兩類點變成線性可分的；

8、SVM：全稱Support Vector Machine（支持向量機），在特征空間上找到最佳的超平面使訓練集正負樣本的間隔最大；是解決二分類問題的有監督學習算法，引入核方法后也可用來解決非線性問題；

9、Adaboost：全稱Adaptive Boosting（自適應增強），對同一個訓練集訓練不同的弱分類器，把這些弱分類器集合起來，構成一個更強的強分類器；

10、決策樹算法（Decision Tree）：處理訓練數據，構建決策樹模型，再對新數據進行分類；

11、隨機森林算法（Random Forest）：使用基本單元（決策樹），通過集成學習將多棵樹集成；

12、樸素貝葉斯（Naive Bayes）：根據事件的先驗知識描述事件的概率，對聯合概率建模來獲得目標概率值；

13、神經網絡（Neural Networks）：模仿動物神經網絡行為特征，將許多個單一“神經元”聯結在一起，通過調整內部大量節點之間相互連接的關系，進行分布式并行信息處理。

總結

以上是生活随笔為你收集整理的【机器学习】算法面试知识点整理（持续更新中~）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。