在这篇文章中，我们将介绍最流行的机器学习算法。

浏览该领域的主要算法以了解可用的方法是有用的。

有很多算法可用，当算法名称被抛出时，它会感到压倒性的，并且您只需要知道它们是什么以及它们在哪里适合。

我想给你两种方法来思考和分类你可能在现场遇到的算法。

这两种方法都很有用，但我们将专注于按相似性对算法进行分组，并继续浏览各种不同的算法类型。

阅读本文后，您将更好地理解最受欢迎的监督式学习机器学习算法以及它们之间的关系。

最适合的线条的一个很酷的例子。弱成员是灰色的，组合预测是红色的。

输入数据是标记和未标记示例的混合。

有一个理想的预测问题，但模型必须学习结构来组织数据以及做出预测。

示例问题是分类和回归。

示例算法是对其他灵活方法的扩展，这些方法对如何对未标记数据建模进行了假设。

推荐系统

强化学习

图形模型

和更多…

这些可能会在未来的帖子中提及

机器学习算法列表：在Wikipedia上。虽然范围广泛，但我不觉得这个列表或者算法的组织特别有用。

机器学习算法类别：同样在维基百科上，比上面的维基百科列表更有用。它按字母顺序组织算法。

CRAN任务视图：机器学习和统计学习：R中每个机器学习软件包支持的所有软件包和所有算法的列表。让您深入了解所发现的内容以及人们用于日常分析的内容。

数据挖掘中的十大算法：已发表的文章和现在的一本书（Affiliate Link）介绍了最流行的数据挖掘算法。另一个基础，不太压倒一切的方法，你可以去深入学习。

如何创建机器学习算法的目标列表：如何创建自己的系统列表的机器学习算法，以帮助您开始研究下一个机器学习问题。

如何研究机器学习算法：一种可用于研究机器学习算法的系统方法（与上面列出的模板方法协同工作）。

如何调查机器学习算法行为：通过创建和执行非常小的研究来了解机器学习算法的工作方式，您可以使用这种方法来了解它们的行为。研究不仅限于学者！

如何实现机器学习算法：从头开始实现机器学习算法的过程和技巧和窍门。

机器学习算法scikit-learn中的食谱：演示如何使用scikit-learn创建预测模型的Python代码示例的集合。

如何在Weka中运行您的第一个分类器：在Weka中运行您的第一个分类器的教程（无需代码！）。