信念演算法

⑴ FLDA 是人工智慧演算法么全名中英文是啥啊

應該不是。

人工智慧之機器學習體系匯總

• 監督學習 Supervised learning
  

• Fisher的線性判別 Fisher』s linear discriminant

• 線性回歸 Linear regression

• Logistic回歸 Logistic regression

• 多項Logistic回歸 Multinomial logistic regression

• 樸素貝葉斯分類器 Naive Bayes classifier

• 感知 Perceptron

• 支持向量機 Support vector machine

• 分類和回歸樹（CART） Classification and regression tree (CART)

• 迭代Dichotomiser 3（ID3） Iterative Dichotomiser 3(ID3)

• C4.5演算法 C4.5 algorithm

• C5.0演算法 C5.0 algorithm

• 卡方自動交互檢測（CHAID） Chi-squared Automatic Interaction Detection(CHAID)

• 決策殘端 Decision stump

• ID3演算法 ID3 algorithm

• 隨機森林 Random forest

• SLIQ

• 樸素貝葉斯 Naive Bayes

• 高斯貝葉斯 Gaussian Naive Bayes

• 多項樸素貝葉斯 Multinomial Naive Bayes

• 平均一依賴性評估（AODE） Averaged One-Dependence Estimators(AODE)

• 貝葉斯信念網路（BNN） Bayesian Belief Network(BBN)

• 貝葉斯網路（BN） Bayesian Network(BN)

• 自動編碼器 Autoencoder

• 反向傳播 Backpropagation

• 玻爾茲曼機 Boltzmann machine

• 卷積神經網路 Convolutional neural network

• Hopfield網路 Hopfield network

• 多層感知器 Multilayer perceptron

• 徑向基函數網路（RBFN） Radial basis function network(RBFN)

• 受限玻爾茲曼機 Restricted Boltzmann machine

• 回歸神經網路（RNN） Recurrent neural network(RNN)

• 自組織映射（SOM） Self-organizing map(SOM)

• 尖峰神經網路 Spiking neural network

• 人工神經網路 Artificial neural network
  

• 貝葉斯 Bayesian
  

• 決策樹 Decision Tree
  

• 線性分類 Linear classifier
  

• 無監督學習 Unsupervised learning
  

• k-最近鄰演算法（K-NN） k-nearest neighbors classification(K-NN)

• 局部異常因子 Local outlier factor

• BIRCH

• DBSCAN

• 期望最大化（EM） Expectation-maximization(EM)

• 模糊聚類 Fuzzy clustering

• K-means演算法 K-means algorithm

• k-均值聚類 K-means clustering

• k-位數 K-medians

• 平均移 Mean-shift

• OPTICS演算法 OPTICS algorithm

• 單連鎖聚類 Single-linkage clustering

• 概念聚類 Conceptual clustering

• 先驗演算法 Apriori algorithm

• Eclat演算法 Eclat algorithm

• FP-growth演算法 FP-growth algorithm

• 對抗生成網路

• 前饋神經網路 Feedforward neurral network
  

• 邏輯學習機 Logic learning machine

• 自組織映射 Self-organizing map

• 極端學習機 Extreme learning machine

• 人工神經網路 Artificial neural network
  

• 關聯規則學習 Association rule learning
  

• 分層聚類 Hierarchical clustering
  

• 聚類分析 Cluster analysis
  

• 異常檢測 Anomaly detection
  

• 半監督學習 Semi-supervised learning
  

• 生成模型 Generative models

• 低密度分離 Low-density separation

• 基於圖形的方法 Graph-based methods

• 聯合訓練 Co-training

• 強化學習 Reinforcement learning
  

• 時間差分學習 Temporal difference learning

• Q學習 Q-learning

• 學習自動 Learning Automata

• 狀態-行動-回饋-狀態-行動（SARSA） State-Action-Reward-State-Action(SARSA)

• 深度學習 Deep learning
  

• 深度信念網路 Deep belief machines

• 深度卷積神經網路 Deep Convolutional neural networks

• 深度遞歸神經網路 Deep Recurrent neural networks

• 分層時間記憶 Hierarchical temporal memory

• 深度玻爾茲曼機（DBM） Deep Boltzmann Machine(DBM)

• 堆疊自動編碼器 Stacked Boltzmann Machine

• 生成式對抗網路 Generative adversarial networks

• 遷移學習 Transfer learning
  

• 傳遞式遷移學習 Transitive Transfer Learning

• 其他
  

• 主成分分析（PCA） Principal component analysis(PCA)

• 主成分回歸（PCR） Principal component regression(PCR)

• 因子分析 Factor analysis

• Bootstrap aggregating (Bagging)

• AdaBoost

• 梯度提升機（GBM） Gradient boosting machine(GBM)

• 梯度提升決策樹（GBRT） Gradient boosted decision tree(GBRT)

• 集成學習演算法
  

• 降維
  

⑵ 深度學習主要是學習哪些演算法

深度學習（也稱為深度結構化學習或分層學習）是基於人工神經網路的更廣泛的機器學習方法族的一部分。學習可以是有監督的、半監督的或無監督的。
深度學習架構，例如深度神經網路、深度信念網路、循環神經網路和卷積神經網路，已經被應用於包括計算機視覺、語音識別、自然語言處理、音頻識別、社交網路過濾、機器翻譯、生物信息學、葯物設計、醫學圖像分析、材料檢查和棋盤游戲程序在內的領域，在這些領域中，它們的成果可與人類專家媲美，並且在某些情況下勝過人類專家。
神經網路受到生物系統中信息處理和分布式通信節點的啟發。人工神經網路與生物大腦有各種不同。具體而言，神經網路往往是靜態和象徵性的，而大多數生物的大腦是動態(可塑)和模擬的。
定義
深度學習是一類機器學習演算法： 使用多個層逐步從原始輸入中逐步提取更高級別的特徵。例如，在圖像處理中，較低層可以識別邊緣，而較高層可以識別對人類有意義的部分，例如數字/字母或面部。

⑶ 人工智慧演算法簡介

人工智慧的三大基石—演算法、數據和計算能力，演算法作為其中之一，是非常重要的，那麼人工智慧都會涉及哪些演算法呢？不同演算法適用於哪些場景呢？

一、按照模型訓練方式不同可以分為監督學習（Supervised Learning），無監督學習（Unsupervised Learning）、半監督學習（Semi-supervised Learning）和強化學習（Reinforcement Learning）四大類。

常見的監督學習演算法包含以下幾類：
（1）人工神經網路（Artificial Neural Network）類：反向傳播（Backpropagation）、波爾茲曼機（Boltzmann Machine）、卷積神經網路（Convolutional Neural Network）、Hopfield網路（hopfield Network）、多層感知器（Multilyer Perceptron）、徑向基函數網路（Radial Basis Function Network，RBFN）、受限波爾茲曼機（Restricted Boltzmann Machine）、回歸神經網路（Recurrent Neural Network，RNN）、自組織映射（Self-organizing Map，SOM）、尖峰神經網路（Spiking Neural Network）等。
（2）貝葉斯類（Bayesin）：樸素貝葉斯（Naive Bayes）、高斯貝葉斯（Gaussian Naive Bayes）、多項樸素貝葉斯（Multinomial Naive Bayes）、平均-依賴性評估（Averaged One-Dependence Estimators，AODE）
貝葉斯信念網路（Bayesian Belief Network，BBN）、貝葉斯網路（Bayesian Network，BN）等。
（3）決策樹（Decision Tree）類：分類和回歸樹（Classification and Regression Tree，CART）、迭代Dichotomiser3（Iterative Dichotomiser 3， ID3）,C4.5演算法（C4.5 Algorithm）、C5.0演算法（C5.0 Algorithm）、卡方自動交互檢測（Chi-squared Automatic Interaction Detection，CHAID）、決策殘端（Decision Stump）、ID3演算法（ID3 Algorithm）、隨機森林（Random Forest）、SLIQ（Supervised Learning in Quest）等。
（4）線性分類器（Linear Classifier）類：Fisher的線性判別（Fisher』s Linear Discriminant）
線性回歸（Linear Regression）、邏輯回歸（Logistic Regression）、多項邏輯回歸（Multionmial Logistic Regression）、樸素貝葉斯分類器（Naive Bayes Classifier）、感知（Perception）、支持向量機（Support Vector Machine）等。

常見的無監督學習類演算法包括：
（1） 人工神經網路（Artificial Neural Network）類：生成對抗網路（Generative Adversarial Networks，GAN），前饋神經網路（Feedforward Neural Network）、邏輯學習機（Logic Learning Machine）、自組織映射（Self-organizing Map）等。
（2） 關聯規則學習（Association Rule Learning）類：先驗演算法（Apriori Algorithm）、Eclat演算法（Eclat Algorithm）、FP-Growth演算法等。
（3）分層聚類演算法（Hierarchical Clustering）：單連鎖聚類（Single-linkage Clustering），概念聚類（Conceptual Clustering）等。
（4）聚類分析（Cluster analysis）：BIRCH演算法、DBSCAN演算法，期望最大化（Expectation-maximization，EM）、模糊聚類（Fuzzy Clustering）、K-means演算法、K均值聚類（K-means Clustering）、K-medians聚類、均值漂移演算法（Mean-shift）、OPTICS演算法等。
（5）異常檢測（Anomaly detection）類：K最鄰近（K-nearest Neighbor，KNN）演算法，局部異常因子演算法（Local Outlier Factor，LOF）等。

常見的半監督學習類演算法包含：生成模型（Generative Models）、低密度分離（Low-density Separation）、基於圖形的方法（Graph-based Methods）、聯合訓練（Co-training）等。

常見的強化學習類演算法包含：Q學習（Q-learning）、狀態-行動-獎勵-狀態-行動（State-Action-Reward-State-Action，SARSA）、DQN（Deep Q Network）、策略梯度演算法（Policy Gradients）、基於模型強化學習（Model Based RL）、時序差分學習（Temporal Different Learning）等。

常見的深度學習類演算法包含：深度信念網路（Deep Belief Machines）、深度卷積神經網路（Deep Convolutional Neural Networks）、深度遞歸神經網路（Deep Recurrent Neural Network）、分層時間記憶（Hierarchical Temporal Memory，HTM）、深度波爾茲曼機（Deep Boltzmann Machine，DBM）、棧式自動編碼器（Stacked Autoencoder）、生成對抗網路（Generative Adversarial Networks）等。

二、按照解決任務的不同來分類，粗略可以分為二分類演算法（Two-class Classification）、多分類演算法（Multi-class Classification）、回歸演算法（Regression）、聚類演算法（Clustering）和異常檢測（Anomaly Detection）五種。
1.二分類（Two-class Classification）
（1）二分類支持向量機（Two-class SVM）：適用於數據特徵較多、線性模型的場景。
（2）二分類平均感知器（Two-class Average Perceptron）：適用於訓練時間短、線性模型的場景。
（3）二分類邏輯回歸（Two-class Logistic Regression）：適用於訓練時間短、線性模型的場景。
（4）二分類貝葉斯點機（Two-class Bayes Point Machine）：適用於訓練時間短、線性模型的場景。（5）二分類決策森林（Two-class Decision Forest）：適用於訓練時間短、精準的場景。
（6）二分類提升決策樹（Two-class Boosted Decision Tree）：適用於訓練時間短、精準度高、內存佔用量大的場景
（7）二分類決策叢林（Two-class Decision Jungle）：適用於訓練時間短、精確度高、內存佔用量小的場景。
（8）二分類局部深度支持向量機（Two-class Locally Deep SVM）：適用於數據特徵較多的場景。
（9）二分類神經網路（Two-class Neural Network）：適用於精準度高、訓練時間較長的場景。

解決多分類問題通常適用三種解決方案：第一種，從數據集和適用方法入手，利用二分類器解決多分類問題；第二種，直接使用具備多分類能力的多分類器；第三種，將二分類器改進成為多分類器今兒解決多分類問題。
常用的演算法：
（1）多分類邏輯回歸（Multiclass Logistic Regression）：適用訓練時間短、線性模型的場景。
（2）多分類神經網路（Multiclass Neural Network）：適用於精準度高、訓練時間較長的場景。
（3）多分類決策森林（Multiclass Decision Forest）：適用於精準度高，訓練時間短的場景。
（4）多分類決策叢林（Multiclass Decision Jungle）：適用於精準度高，內存佔用較小的場景。
（5）「一對多」多分類（One-vs-all Multiclass）：取決於二分類器效果。

回歸
回歸問題通常被用來預測具體的數值而非分類。除了返回的結果不同，其他方法與分類問題類似。我們將定量輸出，或者連續變數預測稱為回歸；將定性輸出，或者離散變數預測稱為分類。長巾的演算法有：
（1）排序回歸（Ordinal Regression）：適用於對數據進行分類排序的場景。
（2）泊松回歸（Poission Regression）：適用於預測事件次數的場景。
（3）快速森林分位數回歸（Fast Forest Quantile Regression）：適用於預測分布的場景。
（4）線性回歸（Linear Regression）：適用於訓練時間短、線性模型的場景。
（5）貝葉斯線性回歸（Bayesian Linear Regression）：適用於線性模型，訓練數據量較少的場景。
（6）神經網路回歸（Neural Network Regression）：適用於精準度高、訓練時間較長的場景。
（7）決策森林回歸（Decision Forest Regression）：適用於精準度高、訓練時間短的場景。
（8）提升決策樹回歸（Boosted Decision Tree Regression）：適用於精確度高、訓練時間短、內存佔用較大的場景。

聚類
聚類的目標是發現數據的潛在規律和結構。聚類通常被用做描述和衡量不同數據源間的相似性，並把數據源分類到不同的簇中。
（1）層次聚類（Hierarchical Clustering）：適用於訓練時間短、大數據量的場景。
（2）K-means演算法：適用於精準度高、訓練時間短的場景。
（3）模糊聚類FCM演算法（Fuzzy C-means，FCM）：適用於精確度高、訓練時間短的場景。
（4）SOM神經網路（Self-organizing Feature Map，SOM）：適用於運行時間較長的場景。
異常檢測
異常檢測是指對數據中存在的不正常或非典型的分體進行檢測和標志，有時也稱為偏差檢測。
異常檢測看起來和監督學習問題非常相似，都是分類問題。都是對樣本的標簽進行預測和判斷，但是實際上兩者的區別非常大，因為異常檢測中的正樣本（異常點）非常小。常用的演算法有：
（1）一分類支持向量機（One-class SVM）：適用於數據特徵較多的場景。
（2）基於PCA的異常檢測（PCA-based Anomaly Detection）：適用於訓練時間短的場景。

常見的遷移學習類演算法包含：歸納式遷移學習（Inctive Transfer Learning） 、直推式遷移學習（Transctive Transfer Learning）、無監督式遷移學習（Unsupervised Transfer Learning）、傳遞式遷移學習（Transitive Transfer Learning）等。

演算法的適用場景：
需要考慮的因素有：
（1）數據量的大小、數據質量和數據本身的特點
（2）機器學習要解決的具體業務場景中問題的本質是什麼？
（3）可以接受的計算時間是什麼？
（4）演算法精度要求有多高？
————————————————

原文鏈接： https://blog.csdn.net/nfzhlk/article/details/82725769

⑷ 最後一步通解怎麼得出來的

這在高等數學課本上，有關於微分方程通解的推導，可以直接作為公式使用。