人工智能领域
人工智能的研究领域也在不断扩大，图二展示了人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。
人工智能的分类方法从产品上分为三种，第一类是解决识别的问题，比如说语音识别、图像识别；第二类是解决生成的问题，比如有的人工智能可以用来作画、用来写诗。第三类是用来做决策，也是三大领域中最重要、最能够创造财富的场景。
应用领域：
个人助理（智能手机上的语音助理、语音输入、家庭管家和陪护机器人） 产品举例：微软小冰、百度度秘、科大讯飞等、Amazon Echo、Google Home等
安防（智能监控、安保机器人） 产品举例：商汤科技、格灵深瞳、神州云海
自驾领域（智能汽车、公共交通、快递用车、工业应用） 产品举例：Google、Uber、特斯拉、亚马逊、奔驰、京东等
医疗健康（医疗健康的监测诊断、智能医疗设备） 产品举例： Enlitic、Intuitive Sirgical、碳云智能、Promontory等
电商零售（仓储物流、智能导购和客服） 产品举例：阿里、京东、亚马逊
金融（智能投顾、智能客服、安防监控、金融监管） 产品举例：蚂蚁金服、交通银行、大华股份、kensho
教育（智能评测、个性化辅导、儿童陪伴） 产品举例：学吧课堂、科大讯飞、云知声
机器学习算法
-
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（GANs） Generative adversarial networks(GANs)
-
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
-
深度学习
可用模型列表
卷积网络（Convolutional Network）
循环神经网络（LSTM）（Recurrent Neural Network (LSTM)）
受限玻尔兹曼机（Restricted Boltzmann Machine）
深度信念网络（Deep Belief Network）
作为RBM堆叠的深度自编码器（Deep Autoencoder as stack of RBMs）
去噪自编码器（Denoising Autoencoder）
堆叠的去噪自编码器（Stacked Denoising Autoencoder）
作为去噪自编码器堆叠的深度自编码器（Deep Autoencoder as stack of Denoising Autoencoders）
多层感知器（MultiLayer Perceptron）
Logistic 回归
https://blog.csdn.net/sinat_35512245/article/details/78796328 https://blog.csdn.net/v_JULY_v/article/details/78121924
语音识别
https://blog.csdn.net/shichaog/article/details/72528637
