一、算法概述

算法是指解題方案的準確而完整的描述，是一系列解決問題、高度符合邏輯性、可執(zhí)行性的指令集合，代表運用系統(tǒng)方法描述解決問題的策略機制。算法能夠?qū)σ欢ㄒ?guī)范的輸入在有限時間內(nèi)運行得到輸出。

算法中的指令描述的是計算過程，當其運行時能從初始狀態(tài)和初始輸入（初始輸入可能為空的）開始，經(jīng)過一系列有限而清晰定義的狀態(tài)，最終產(chǎn)生輸出并終止于某一狀態(tài)。

不同的算法在解決相同問題所需時間、空間可能不同，即算法的效率不同。算法的優(yōu)劣可通過解決相同問題所需的時間復雜度與空間復雜度衡量。

二、傳統(tǒng)算法與大數(shù)據(jù)算法

傳統(tǒng)的數(shù)據(jù)算法可被稱為數(shù)據(jù)分析，數(shù)據(jù)分析的目的在于對已有的數(shù)據(jù)進行描述性分析，其重點在于發(fā)現(xiàn)數(shù)據(jù)隱含的規(guī)律，進行商業(yè)分析和處理。

大數(shù)據(jù)時代的數(shù)據(jù)算法可被稱為數(shù)據(jù)科學，與數(shù)據(jù)挖掘和機器學習相關。

機器學習是交叉學科，機器學習涉及的學科包括概率論、統(tǒng)計學、逼近論、圖分析、算法復雜度理論等。機器學習主要研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，并重新組織已有的知識結構使之不斷改善自身性能。

大數(shù)據(jù)機器學習更強調(diào)學習是手段。機器學習成為一種支持和服務技術，基于機器學習對復雜多樣的數(shù)據(jù)進行深層次的分析和更高效地利用信息成為大數(shù)據(jù)機器學習研究的主要方向。所以，大數(shù)據(jù)機器學習逐漸向智能數(shù)據(jù)分析的方向發(fā)展，并已成為智能數(shù)據(jù)分析技術的重要組成部分。

大數(shù)據(jù)時代，數(shù)據(jù)體量以空前的速度增長，需要分析新類型數(shù)據(jù)也在不斷出現(xiàn)，新類型數(shù)據(jù)包括：文本理解、文本情感分析、圖像的檢索和理解、圖形和網(wǎng)絡等。數(shù)據(jù)體量快速增長和新類型數(shù)據(jù)不斷出現(xiàn)使得大數(shù)據(jù)機器學習和數(shù)據(jù)挖掘等智能計算技術在大數(shù)據(jù)智能化分析處理應用中具有重要作用。



圖片來源：學堂在線《大數(shù)據(jù)導論》

三、機器學習算法

目前，主流的機器學習算法包括：監(jiān)督學習和非監(jiān)督學習。

（1）監(jiān)督學習

監(jiān)督學習是指從標記的訓練數(shù)據(jù)推斷某一功能的機器學習任務，訓練數(shù)據(jù)包括一套訓練示例。每套訓練示例均由一個輸入對象（通常為矢量）和一個期望的輸出值 （也稱為監(jiān)督信號）組成。監(jiān)督學習算法通過分析訓練示例（個人理解：需分析多套訓練示例），產(chǎn)生某種推斷功能，該推斷功能可以用于映射新示例。

監(jiān)督學習包括：分類算法和回歸分析。

1）分類算法包括：自然貝葉斯、決策樹、隨機森林、神經(jīng)網(wǎng)絡等。分類算法主要針對離散數(shù)據(jù)。

2）回歸類算法包括：線性回歸、邏輯回歸、支持向量機等?；貧w類算法主要針對連續(xù)數(shù)據(jù)。

（2）非監(jiān)督學習

非監(jiān)督學習是指在沒有類別信息情況下，通過分析所研究對象大量樣本的據(jù)數(shù)，實現(xiàn)樣本分類的數(shù)據(jù)處理方法。

通過非監(jiān)督式學習，可將樣本集劃分為若干個子集（類別），或?qū)颖炯鳛橛柧殬颖炯?，再通過監(jiān)督學習方法進行分類器設計。

非監(jiān)督學習包括：聚類算法、抽維算法。

1）聚類算法包括：距離聚類、快速聚類等。

2）抽維算法包括：主因子、典型相關等。

審核編輯：劉清