本文目录
对于二分类问题，有哪些比svm好的机器学习算法
作为一个数据挖掘工作者我来回答一下你！
机器学习算法没有什么好坏算法之分，存在即合理适合的才是最好的！
目前通用的二元分类算法有不少，除了svm算法之外，还有逻辑回归算法，决策树，随机森林，贝叶斯算法，这些算法都有自己的优势。svm算法的确是一个很不错的算法，准确度高，对小样本也有不错的分类结果，但是有点耗费计算性能，不怎么好解释，有点像黑盒，逻辑回归可能没有支持向量机的准确度高，但是也有优势，比如通用，可解释性好，这算是比较大的优势了，其他的诸如决策树贝叶斯等，这些算法对随机数据有很好的适用性，而且通俗易懂，比较好解释！随机森林更像是决策树的高级封装。
总的来说，各个算法都在某一方面有有事，看你怎么取舍了，而且不同的需求和数据会需要相应的算法，没有一种算法模型能解决所有问题，而是针对性的应用。所以不能说一个算法比另一个算法好，适应的才是好的！
对于人工智能而言，目前有哪些学习方法
介绍一些工程师通用的学习方法~
工具要非常熟练：在排查问题和写代码上，如果你1个小时只能尝试一种方法，别人却能够尝试10次，那么别人就是比你牛。天下武功唯快不破，你后续写demo、查问题、工具的熟练程度都会决定你学习和尝试新事物的速度。
读书 & 看文档：学习还需要系统化。并非单靠看一篇文章就能明白原理。
视频学习：视频有一些文字表达不了的功能：图书中只会贴一段代码，而视频中这些代码是需要输入的，这时你会发现作者很多的黑科技或者黑技巧，你也能学习到。如React入门书籍中，一般只会说明或者引用Redux，而教学视频中，会打开对应的网站，给你列举一些重点特性。另外图书中一些比较容易忽略的东西，在视频中可能会被很好地补充。而且很多的视频制作者，本身是来自框架和技术的开发团队，而不是第三方的图书作者，所以新鲜度和技巧性都非常明显。
技术新闻，twitter上技术大牛 & 参加技术大会：前面介绍的图书、文档和视频教学，让我们可以了解和深入某一项技术，对付工作应该没有问题。但如果要紧跟潮流，获取灵感，可能还需要关注一些技术新闻，follow twitter上的技术大牛。——雷卷
希望对你有帮助~
有哪些好的提升机器学习算法的方法
要提升算法，首先要从算法缺陷着手.
第一步快速构建算法图
第二步查看训练集测试集损失图，这一步可以区分出目前你的算法是处在高方差还是高偏差.
根据是偏差还是方差来决定算法的优化方式
我来简单地提供几个常用的方法
如果是高偏差，你可以增加迭代次数或增加训练集，如果偏差还是很高！那就不要浪费时间了，直接考虑更换算法实现.这说明你的模型本身出现了问题.可以检查是否是特征数据不够可以增加神经元数目
如果是高方差的情况，那就可以考虑增加训练数据，如果训练集的损失已经很低了但是还是高方差的话，这时候就考虑调整模型，增加dropout或者增加惩罚来减少模型过拟合.总之就是不断调整个中超参数来达到低方差低偏差
世界上最聪明的机器学习算法是什么
首先，先理解人工智能、机器学习、深度学习三者的关系
人工智能是机器学习的首要范畴。机器学习是深度学习的首要范畴，也即深度学习是机器学习的一个子集，机器学习是人工智能的一个子集。
近年来这个领域的兴起应该归功于深度学习，人工智能和机器学习这个领域近年来一直在解决一系列有趣的问题，比如自动驾驶、人脸识别等。
人工智能有三个层次，分别是：
（1）计算智能：高效快速地求解出结果，包括遗传算法、群体智能（蚁群、粒子群）、模拟退火等；
（2）感知智能：让计算机看得见，听得到，包括图像识别、语音识别等；
（3）认知智能：最高一个层次的人工智能，包括自然语言处理和机器人等。
机器学习是实现人工智能的一种重要方法
机器学习就是用算法真正解析数据，不断学习，然后对世界中发生的事做出判断和预测。此时，研究人员不会亲手编写软件、确定特殊指令集、然后让程序完成特殊任务，相反，研究人员会用大量数据和算法“训练”机器，让机器学会如何执行任务。
按照学习的方法，可以将机器学习分为四类：监督学习、无监督学习、半监督学习和强化学习
其中：监督学习针对有标签数据集，它通过学习出一个模型（其实就是一个函数）来拟合数据，按照模型（函数）的输出结果是否离散又可以分为两类，分别是：（1）输出结果为离散值，则为分类问题（常见的分类算法：KNN、贝叶斯分类器、决策树、SVM、神经网络、GBDT、随机森林等）；（2）输出结果为连续值，则为回归问题（有线性回归和逻辑回归两种）。
而无监督学习针对没有标签的数据集，它将样本按照距离划分成类簇，使得类内相似性最大，类间相似性最小。通过观察聚类结果，我们可以得到数据集的分布情况，为进一步分析提供支撑。常见的聚类算法有K-means、高斯混合模型和LDA。
因机器学习需要人为的参与，那么有没有一种让机器学习的算法，那就是深度学习
深度学习：实现机器学习的技术
深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
综上所述，深度学习是人工智能后续的发展方向，但是实现深度学习需要较多的数据和计算能力来训练模型，并非所有场景都适用，所以，在实际情况下，不要最求什么最聪明的算法，应该是追求最合适当前场景的算法。
