Artificial intelligence 初学者'；s参考资料/分类算法简介

大家好。我对分类算法这个话题完全陌生，需要一些关于从哪里开始“认真阅读”的好建议。我现在正在寻找，机器学习和自动分类算法是否值得添加到我的一些应用程序中

我已经浏览了Z.Michalewicz和D.Fogel的“如何解决它：现代启发式”（特别是关于使用神经元网络的线性分类器的章节），在实践方面，我目前正在浏览源代码。我的下一步（计划）是深入研究贝叶斯分类算法

不幸的是，我在这个领域缺乏一个严肃的理论基础（更不用说，在任何时候都用过），所以在下一个方向的任何暗示都会被欣赏；特别是，很好地介绍现有的分类算法会有所帮助。多做工匠少做理论家，越实用越好

提示，有人吗？

我一直觉得很有用。它们以坚实的统计理论为基础，如果你将来选择阅读它们，它们将对理解论文非常有用。下面是一个简短的描述：

这包括分类 决策树等算法， 神经网络，贝叶斯分类器， 支持向量机及其应用 基于大小写的（也称为非参数） 学习。它们包括回归 算法，如多变量 多项式回归，MARS，局部 加权回归、GMDH和神经网络 网。它们还包括其他数据 诸如集群之类的挖掘操作 （混合模型，k-均值和 层次结构，贝叶斯网络和 强化学习

---

机器学习概述

要对该领域有一个很好的了解，请观看该领域的视频讲座

这门课程（CS229）由安得烈NG教授教授，它提供了机器学习和统计模式识别的广泛介绍。课程包括有监督学习、无监督学习、学习理论、强化学习和自适应控制。本文还讨论了机器学习在机器人控制、数据挖掘、自主导航、生物信息学、语音识别、文本和网络数据处理等方面的最新应用。 分类器

至于应该使用哪种分类器，我建议首先从一般应用分类任务的开始。它们将为您提供最先进的性能，您不需要真正理解它们背后的所有理论，只需使用像WEKA这样的包提供的实现即可

如果您有一个较大的数据集，您可能希望尝试使用。WEKA中也有这种算法的一部分，它们在大数据上的训练速度要快得多。虽然它们的使用不如支持向量机广泛，但它们的精度往往与您从支持向量机中获得的精度相匹配或接近。不过，我想补充一下，我建议大家阅读一下首先推动许多分类系统创建的需求：因果关系的识别。这与许多涉及统计推断的建模问题有关

---

目前我所知道的学习因果关系和分类器系统（尤其是贝叶斯分类器）的最佳资源是。

谢谢。这就是我想要的。谢谢。对于像我这样的SVN初学者来说，一个非常可读的介绍似乎是