算法博弈论和知识图谱漏洞修复

1. 谢谢，各位大神啊~~简述博弈论与最优化理论的不同之处

我的理解，就经济学来说，博弈论是方法，最优化是方法的方法。博弈论有具体含义，应用于特定情况；最优化作为一个更为根本的分枝，其应用范围更大更广。我的博弈论老师就是数学系研究最优化算法出身，他经常用最优化里面的方法来求解博弈论。至于重复博弈中的“收敛到均衡点”与最优化方法中的“收敛到最优解”的关系，我理解，使前者达到均衡点的“策略”类比于使后者达到最优解的“算法”，并且都可能不是唯一的。

2. 人工智能专业主要的课程是什么呀

人工智能技术关系到人工智能产品是否可以顺利应用到我们的生活场景中。在人工智能领域，它普遍包含了机器学习、知识图谱、自然语言处理、人机交互、计算机视觉、生物特征识别、AR/VR七个关键技术。

一、机器学习
机器学习(MachineLearning)是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据(样本)出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。根据学习模式、学习方法以及算法的不同，机器学习存在不同的分类方法。
根据学习模式将机器学习分类为监督学习、无监督学习和强化学习等。
根据学习方法可以将机器学习分为传统机器学习和深度学习。

二、知识图谱
知识图谱本质上是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体—关系—实体”三元组，以及实体及其相关“属性—值”对。不同实体之间通过关系相互联结，构成网状的知识结构。在知识图谱中，每个节点表示现实世界的“实体”，每条边为实体与实体之间的“关系”。通俗地讲，知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络，提供了从“关系”的角度去分析问题的能力。
知识图谱可用于反欺诈、不一致性验证、组团欺诈等公共安全保障领域，需要用到异常分析、静态分析、动态分析等数据挖掘方法。特别地，知识图谱在搜索引擎、可视化展示和精准营销方面有很大的优势，已成为业界的热门工具。但是，知识图谱的发展还有很大的挑战，如数据的噪声问题，即数据本身有错误或者数据存在冗余。随着知识图谱应用的不断深入，还有一系列关键技术需要突破。

三、自然语言处理
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，涉及的领域较多，主要包括机器翻译、机器阅读理解和问答系统等。
机器翻译
机器翻译技术是指利用计算机技术实现从一种自然语言到另外一种自然语言的翻译过程。基于统计的机器翻译方法突破了之前基于规则和实例翻译方法的局限性，翻译性能取得巨大提升。基于深度神经网络的机器翻译在日常口语等一些场景的成功应用已经显现出了巨大的潜力。随着上下文的语境表征和知识逻辑推理能力的发展，自然语言知识图谱不断扩充，机器翻译将会在多轮对话翻译及篇章翻译等领域取得更大进展。
语义理解
语义理解技术是指利用计算机技术实现对文本篇章的理解，并且回答与篇章相关问题的过程。语义理解更注重于对上下文的理解以及对答案精准程度的把控。随着MCTest数据集的发布，语义理解受到更多关注，取得了快速发展，相关数据集和对应的神经网络模型层出不穷。语义理解技术将在智能客服、产品自动问答等相关领域发挥重要作用，进一步提高问答与对话系统的精度。
问答系统
问答系统分为开放领域的对话系统和特定领域的问答系统。问答系统技术是指让计算机像人类一样用自然语言与人交流的技术。人们可以向问答系统提交用自然语言表达的问题，系统会返回关联性较高的答案。尽管问答系统目前已经有了不少应用产品出现，但大多是在实际信息服务系统和智能手机助手等领域中的应用，在问答系统鲁棒性方面仍然存在着问题和挑战。
自然语言处理面临四大挑战：
一是在词法、句法、语义、语用和语音等不同层面存在不确定性;
二是新的词汇、术语、语义和语法导致未知语言现象的不可预测性;
三是数据资源的不充分使其难以覆盖复杂的语言现象;
四是语义知识的模糊性和错综复杂的关联性难以用简单的数学模型描述，语义计算需要参数庞大的非线性计算

四、人机交互
人机交互主要研究人和计算机之间的信息交换，主要包括人到计算机和计算机到人的两部分信息交换，是人工智能领域的重要的外围技术。人机交互是与认知心理学、人机工程学、多媒体技术、虚拟现实技术等密切相关的综合学科。传统的人与计算机之间的信息交换主要依靠交互设备进行，主要包括键盘、鼠标、操纵杆、数据服装、眼动跟踪器、位置跟踪器、数据手套、压力笔等输入设备，以及打印机、绘图仪、显示器、头盔式显示器、音箱等输出设备。人机交互技术除了传统的基本交互和图形交互外，还包括语音交互、情感交互、体感交互及脑机交互等技术。

五、计算机视觉
计算机视觉是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力。自动驾驶、机器人、智能医疗等领域均需要通过计算机视觉技术从视觉信号中提取并处理信息。近来随着深度学习的发展，预处理、特征提取与算法处理渐渐融合，形成端到端的人工智能算法技术。根据解决的问题，计算机视觉可分为计算成像学、图像理解、三维视觉、动态视觉和视频编解码五大类。
目前，计算机视觉技术发展迅速，已具备初步的产业规模。未来计算机视觉技术的发展主要面临以下挑战：
一是如何在不同的应用领域和其他技术更好的结合，计算机视觉在解决某些问题时可以广泛利用大数据，已经逐渐成熟并且可以超过人类，而在某些问题上却无法达到很高的精度;
二是如何降低计算机视觉算法的开发时间和人力成本，目前计算机视觉算法需要大量的数据与人工标注，需要较长的研发周期以达到应用领域所要求的精度与耗时;
三是如何加快新型算法的设计开发，随着新的成像硬件与人工智能芯片的出现，针对不同芯片与数据采集设备的计算机视觉算法的设计与开发也是挑战之一。

六、生物特征识别
生物特征识别技术是指通过个体生理特征或行为特征对个体身份进行识别认证的技术。从应用流程看，生物特征识别通常分为注册和识别两个阶段。注册阶段通过传感器对人体的生物表征信息进行采集，如利用图像传感器对指纹和人脸等光学信息、麦克风对说话声等声学信息进行采集，利用数据预处理以及特征提取技术对采集的数据进行处理，得到相应的特征进行存储。
识别过程采用与注册过程一致的信息采集方式对待识别人进行信息采集、数据预处理和特征提取，然后将提取的特征与存储的特征进行比对分析，完成识别。从应用任务看，生物特征识别一般分为辨认与确认两种任务，辨认是指从存储库中确定待识别人身份的过程，是一对多的问题;确认是指将待识别人信息与存储库中特定单人信息进行比对，确定身份的过程，是一对一的问题。
生物特征识别技术涉及的内容十分广泛，包括指纹、掌纹、人脸、虹膜、指静脉、声纹、步态等多种生物特征，其识别过程涉及到图像处理、计算机视觉、语音识别、机器学习等多项技术。目前生物特征识别作为重要的智能化身份认证技术，在金融、公共安全、教育、交通等领域得到广泛的应用。

七、VR/AR
虚拟现实(VR)/增强现实(AR)是以计算机为核心的新型视听技术。结合相关科学技术，在一定范围内生成与真实环境在视觉、听觉、触感等方面高度近似的数字化环境。用户借助必要的装备与数字化环境中的对象进行交互，相互影响，获得近似真实环境的感受和体验，通过显示设备、跟踪定位设备、触力觉交互设备、数据获取设备、专用芯片等实现。
虚拟现实/增强现实从技术特征角度，按照不同处理阶段，可以分为获取与建模技术、分析与利用技术、交换与分发技术、展示与交互技术以及技术标准与评价体系五个方面。获取与建模技术研究如何把物理世界或者人类的创意进行数字化和模型化，难点是三维物理世界的数字化和模型化技术;分析与利用技术重点研究对数字内容进行分析、理解、搜索和知识化方法，其难点是在于内容的语义表示和分析;交换与分发技术主要强调各种网络环境下大规模的数字化内容流通、转换、集成和面向不同终端用户的个性化服务等，其核心是开放的内容交换和版权管理技术;展示与交换技术重点研究符合人类习惯数字内容的各种显示技术及交互方法，以期提高人对复杂信息的认知能力，其难点在于建立自然和谐的人机交互环境;标准与评价体系重点研究虚拟现实/增强现实基础资源、内容编目、信源编码等的规范标准以及相应的评估技术。
目前虚拟现实/增强现实面临的挑战主要体现在智能获取、普适设备、自由交互和感知融合四个方面。在硬件平台与装置、核心芯片与器件、软件平台与工具、相关标准与规范等方面存在一系列科学技术问题。总体来说虚拟现实/增强现实呈现虚拟现实系统智能化、虚实环境对象无缝融合、自然交互全方位与舒适化的发展趋势

3. 知识图谱是什么有哪些应用价值

知识图谱 (Knowledge Graph) 是当前的研究热点。自从2012年Google推出自己第一版知识图谱以来，它在学术界和工业界掀起了一股热潮。各大互联网企业在之后的短短一年内纷纷推出了自己的知识图谱产品以作为回应。比如在国内，互联网巨头网络和搜狗分别推出”知心“和”知立方”来改进其搜索质量。那么与这些传统的互联网公司相比，对处于当今风口浪尖上的行业 - 互联网金融， 知识图谱可以有哪方面的应用呢？

目录
1. 什么是知识图谱？
2. 知识图谱的表示
3. 知识图谱的存储
4. 应用
5. 挑战
6. 结语

1. 什么是知识图谱？

知识图谱本质上是语义网络，是一种基于图的数据结构，由节点(Point)和边(Edge)组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲，知识图谱就是把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。

知识推理

推理能力是人类智能的重要特征，使得我们可以从已有的知识中发现隐含的知识， 一般的推理往往需要一些规则的支持【3】。例如“朋友”的“朋友”，可以推理出“朋友”关系，“父亲”的“父亲”可以推理出“祖父”的关系。再比如张三的朋友很多也是李四的朋友，那我们可以推测张三和李四也很有可能是朋友关系。当然，这里会涉及到概率的问题。当信息量特别多的时候，怎么把这些信息（side information）有效地与推理算法结合在一起才是最关键的。常用的推理算法包括基于逻辑（Logic） 的推理和基于分布式表示方法（Distributed Representation）的推理。随着深度学习在人工智能领域的地位变得越来越重要，基于分布式表示方法的推理也成为目前研究的热点。如果有兴趣可以参考一下这方面目前的工作进展【4,5,6,7】。

大数据、小样本、构建有效的生态闭环是关键

虽然现在能获取的数据量非常庞大，我们仍然面临着小样本问题，也就是样本数量少。假设我们需要搭建一个基于机器学习的反欺诈评分系统，我们首先需要一些欺诈样本。但实际上，我们能拿到的欺诈样本数量不多，即便有几百万个贷款申请，最后被我们标记为欺诈的样本很可能也就几万个而已。这对机器学习的建模提出了更高的挑战。每一个欺诈样本我们都是以很高昂的“代价”得到的。随着时间的推移，我们必然会收集到更多的样本，但样本的增长空间还是有局限的。这有区别于传统的机器学习系统，比如图像识别，不难拿到好几十万甚至几百万的样本。

在这种小样本条件下，构建有效的生态闭环尤其的重要。所谓的生态闭环，指的是构建有效的自反馈系统使其能够实时地反馈给我们的模型，并使得模型不断地自优化从而提升准确率。为了搭建这种自学习系统，我们不仅要完善已有的数据流系统，而且要深入到各个业务线，并对相应的流程进行优化。这也是整个反欺诈环节必要的过程，我们要知道整个过程都充满着博弈。所以我们需要不断地通过反馈信号来调整我们的策略。

6. 结语

知识图谱在学术界和工业界受到越来越多的关注。除了本文中所提到的应用，知识图谱还可以应用在权限管理，人力资源管理等不同的领域。在后续的文章中会详细地讲到这方面的应用。

参考文献

【1】De Abreu, D., Flores, A., Palma, G., Pestana, V., Pinero, J., Queipo, J., ... & Vidal, M. E. (2013). Choosing Between Graph Databases and RDF Engines for Consuming and Mining Linked Data. In COLD.

【2】User Behavior Tutorial

【3】刘知远 知识图谱——机器大脑中的知识库 第二章 知识图谱——机器大脑中的知识库

【4】Nickel, M., Murphy, K., Tresp, V., & Gabrilovich, E. A Review of Relational Machine Learning for Knowledge Graphs.

【5】Socher, R., Chen, D., Manning, C. D., & Ng, A. (2013). Reasoning with neural tensor networks for knowledge base completion. In Advances in Neural Information Processing Systems (pp. 926-934).

【6】Bordes, A., Usunier, N., Garcia-Duran, A., Weston, J., & Yakhnenko, O. (2013). Translating embeddings for modeling multi-relational data. In Advances in Neural Information Processing Systems (pp. 2787-2795).

【7】Jenatton, R., Roux, N. L., Bordes, A., & Obozinski, G. R. (2012). A latent factor model for highly multi-relational data. In Advances in Neural Information Processing Systems(pp. 3167-3175).

4. 计算机论文题目

计算机论文题目

随着大科学时代的到来及科技水平的高速发展，计算机科学与技术已经渗透到我国经济、社会的各个领域，这些都有利于全球经济的发展，还极大地推动了社会的进步，

计算机论文题目(一)

1、基于物联网的煤矿井下监测网络平台关键技术研究

2、基于抽象状态自动机和π演算的UML动态语义研究

3、基于多种数据源的中文知识图谱构建方法研究

4、基于矩阵化特征表示和Ho-Kashyap算法的分类器设计方法研究

5、基于博弈论的云计算资源调度方法研究

6、基于合约的泛型Web服务组合与选择研究

7、本体支持的Web服务智能协商和监测机制研究

8、基于神经网络的不平衡数据分类方法研究

9、基于内容的图像检索与推荐技术研究

10、物联网技术及其在监管场所中的应用

11、移动图书馆的研发与实现

12、图书馆联机公共目录查询系统的研究与实现

13、基于O2O模式的外卖订餐系统

14、网络时代个人数据与隐私保护的调查分析

15、微信公众平台CMS的设计与实现

16、环保部门语义链网络图形化呈现系统

17、BS结构计量信息管理系统设计与研究

18、基于上下文的天然气改质分析控制系统的设计与实现

19、基于增量学习和特征融合的多摄像机协作监控系统目标匹配方法研究

20、无线自组网络密钥管理及认证技术的研究

21、基于CDMI的云存储框架技术研究

22、磨损均衡在提高SSD使用寿命中的应用与改进

23、基于.NET的物流管理软件的设计与实现

24、车站商铺信息管理系统设计与实现

25、元数据模型驱动的合同管理系统的设计与实现

26、安睡宝供应与销售客户数据管理与分析系统

27、基于OpenCV的人脸检测与跟踪算法研究

28、基于PHP的负载均衡技术的研究与改进

29、协同药物研发平台的构建及其信任机制研究

30、光纤网络资源的智能化管理方法研究

31、基于差异同步的云存储研究和实践

32、基于Swift的云存储产品优化及云计算虚拟机调度算法研究

33、基于Hadoop的重复数据删除技术研究

34、中文微博情绪分析技术研究

35、基于协议代理的内控堡垒主机的设计与实现

36、公交车辆保修信息系统的研究与设计

37、基于移动互联网的光纤网络管理系统设计与开发

38、基于云平台的展馆综合管理系统

39、面向列表型知识库的组织机构实体链接方法研究

40、Real-time Hand Gesture Recognition by Using Geometric Feature

41、基于事件的社交网络核心节点挖掘算法的研究与应用

42、线性判别式的比较与优化方法研究

43、面向日志分类的蚁群聚类算法研究

44、基于决策树的数据挖掘技术在电信欠费管理中的应用与研究

45、基于信任关系与主题分析的微博用户推荐技术

46、微博用户兴趣挖掘技术研究

47、面向多源数据的信息抽取方法研究

48、基于本体约束规则与遗传算法的BIM进度计划自动生成研究

49、面向报关行的通关服务软件研究与优化

50、云应用开发框架及云服务推进策略的研究与实践

计算机论文题目(二)

51、复杂网络社区发现方法以及在网络扰动中的影响

52、空中交通拥挤的识别与预测方法研究

53、基于RTT的端到端网络拥塞控制研究

54、基于体系结构的无线局域网安全弱点研究

55、物联网中的RFID安全协议与可信保障机制研究

56、机器人认知地图创建关键技术研究

57、Web服务网络分析和社区发现研究

58、基于球模型的三维冠状动脉中心线抽取方法研究

59、认知无线网络中频谱分配策略的建模理论与优化方法研究

60、传感器网络关键安全技术研究

61、任务关键系统的软件行为建模与检测技术研究

62、基于多尺度相似学习的图像超分辨率重建算法研究

63、基于服务的信息物理融合系统可信建模与分析

64、电信机房综合管控系统设计与实现

65、粒子群改进算法及在人工神经网络中的应用研究

66、污染源自动监控数据传输标准的研究与应用

67、一种智能力矩限制器的设计与研究

68、移动IPv6切换技术的研究

69、基于移动Ad hoc网络路由协议的改进研究

70、机会网络中基于社会关系的数据转发机制研究

71、嵌入式系统视频会议控制技术的研究与实现

72、基于PML的物联网异构信息聚合技术研究

73、基于移动P2P网络的广播数据访问优化机制研究

74、基于开放业务接入技术的业务移动性管理研究

75、基于AUV的UWSN定位技术的研究

76、基于隐私保护的无线传感网数据融合技术研究

77、基于DIVA模型语音生成和获取中小脑功能及其模型的研究

78、无线网络环境下流媒体传送技术的研究与实现

79、异构云计算平台中节能的任务调度策略研究

80、PRAM模型应用于同步机制的研究

81、云计算平台中虚拟化资源监测与调度关键技术研究

82、云存储系统中副本管理机制的研究

83、嵌入式系统图形用户界面开发技术研究

84、基于多维管理的呼叫中心运行系统技术研究

85、嵌入式系统的流媒体播放器设计与性能优化

86、基于组合双向拍卖的云资源调度算法的研究

87、融入隐私保护的特征选择算法研究

88、济宁一中数字化校园系统的设计与实现

89、移动合作伙伴管理系统的设计与实现

90、黄山市地税局网络开票系统的设计与应用

91、基于语义的领域信息抽取系统

92、基于MMTD的图像拼接方法研究

93、基于关系的垃圾评论检测方法

94、IPv6的过渡技术在终端综合管理系统中的实现与应用

95、基于超声波测距与控制的运动实验平台研发

96、手臂延伸与抓取运动时间协调小脑控制模型的研究

97、位置可视化方法及其应用研究

98、DIVA模型中定时和预测功能的研究

99、基于蚁群的Ad Hoc路由空洞研究

100、基于定向天线的Ad Hoc MAC协议的研究

计算机论文题目(三)

101、复杂网络社区发现方法以及在网络扰动中的影响

102、空中交通拥挤的识别与预测方法研究

103、基于RTT的端到端网络拥塞控制研究

104、基于体系结构的无线局域网安全弱点研究

105、物联网中的RFID安全协议与可信保障机制研究

106、机器人认知地图创建关键技术研究

107、Web服务网络分析和社区发现研究

108、基于球模型的`三维冠状动脉中心线抽取方法研究

109、认知无线网络中频谱分配策略的建模理论与优化方法研究

110、传感器网络关键安全技术研究

111、任务关键系统的软件行为建模与检测技术研究

112、基于多尺度相似学习的图像超分辨率重建算法研究

113、基于服务的信息物理融合系统可信建模与分析

114、电信机房综合管控系统设计与实现

115、粒子群改进算法及在人工神经网络中的应用研究

116、污染源自动监控数据传输标准的研究与应用

117、一种智能力矩限制器的设计与研究

118、移动IPv6切换技术的研究

119、基于移动Ad hoc网络路由协议的改进研究

120、机会网络中基于社会关系的数据转发机制研究

121、嵌入式系统视频会议控制技术的研究与实现

122、基于PML的物联网异构信息聚合技术研究

123、基于移动P2P网络的广播数据访问优化机制研究

124、基于开放业务接入技术的业务移动性管理研究

125、基于AUV的UWSN定位技术的研究

126、基于隐私保护的无线传感网数据融合技术研究

127、基于DIVA模型语音生成和获取中小脑功能及其模型的研究

128、无线网络环境下流媒体传送技术的研究与实现

129、异构云计算平台中节能的任务调度策略研究

130、PRAM模型应用于同步机制的研究

131、云计算平台中虚拟化资源监测与调度关键技术研究

132、云存储系统中副本管理机制的研究

133、嵌入式系统图形用户界面开发技术研究

134、基于多维管理的呼叫中心运行系统技术研究

135、嵌入式系统的流媒体播放器设计与性能优化

136、基于组合双向拍卖的云资源调度算法的研究

137、融入隐私保护的特征选择算法研究

138、济宁一中数字化校园系统的设计与实现

139、移动合作伙伴管理系统的设计与实现

140、黄山市地税局网络开票系统的设计与应用

141、基于语义的领域信息抽取系统

142、基于MMTD的图像拼接方法研究

143、基于关系的垃圾评论检测方法

144、IPv6的过渡技术在终端综合管理系统中的实现与应用

145、基于超声波测距与控制的运动实验平台研发

146、手臂延伸与抓取运动时间协调小脑控制模型的研究

147、位置可视化方法及其应用研究

148、DIVA模型中定时和预测功能的研究

149、基于蚁群的Ad Hoc路由空洞研究

150、基于定向天线的Ad Hoc MAC协议的研究

5. 人工智能需要什么基础

人工智能需要什么基础？
人工智能是一个包含很多学科的交叉学科，你需要了解计算机的知识、信息论、控制论、图论、心理学、生物学、热力学，你要有一定的哲学基础，有科学方法论作保障。这些学科的每一门都是博大精深的，但同时很多事物都是相通的，你学了很多知识有了一定的基础的时候再看相关知识就会触类旁通，很容易。在这中间关键是要有自己的思考，不能人云亦云，毕竟人工智能是一个正在发展并具有无穷挑战和乐趣的学科，如果你对人工智能感兴趣，那欢迎到网络的人工智能吧做客，那里有对人工智能丰富而深刻的讨论。
需要必备的知识有: 1、线性代数：如何将研究对象形式化？ 2、概率论：如何描述统计规律？ 3、数理统计：如何以小见大？ 4、最优化理论： 如何找到最优解？ 5、信息论：如何定量度量不确定性？ 6、形式逻辑：如何实现抽象推理？ 7、线性代数：如何将研究对象形式化？人工智能简介: 1、人工智能（Artificial Intelligence），英文缩写为AI。 2、它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能涉及的学科: 哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。

1.人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。
2. 人工智能是包括十分广泛的科学，它由不同的领域组成。入门最基本的的知识是:机器学习、机械原理、计算机原理、计算机视觉等等。总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。

6. 人工智能工程师需要学什么

人工智能知识体系
1、数学基础
微积分
线性代数
概率统计
信息论
集合论和图论
博弈论
2、技术基础
计算机原理
程序设计语言
操作系统
分布式系统
算法基础
3、机器学习算法
机器学习基础：估计方法、特征工程
线性模型：线性回归
逻辑回归
决策树模型：GBDT
支持向量机
贝叶斯分类器
神经网络——深度学习：MLP、CNN、RNN（LSTM）、GAN
聚类算法：K均值算法
4、机器学习分类
监督学习：分类任务、回归任务
无监督学习：聚类任务
迁移学习
强化学习
5、问题领域
语言识别
字符识别：手写识别
机器视觉
自然语言处理：机器翻译
自然语言理解
知识推理
自动控制
游戏理论和人机对弈：象棋、围棋、德州扑克、星际争霸
数据挖掘
6、机器学习架构
加速芯片：CPU、GPU、FPGA、ASIC（TPU）
虚拟化：容器（Decker）
分布式结构：Spark
库和计算框架：TensorFlow、scikt-learn、Caffe、MXNET、Theano、Torch、MicrosoftCNTK
7、可视化解决方案
8、云服务
AmazonML
GoogleCloudML
MicrosoftAzureML
阿里云ML
9、数据集和竞赛
ImageNet
MSCOCC
Kaggle
阿里天池
10、其他相关技术
知识图谱
统计语言模型
专家系统
遗传算法
博弈算法：纳什均衡