30种主流AI算法分类通俗解读

一、传统监督学习（预测、分类、回归）

1. 线性回归：依靠线性关系预测连续数值，常用于销量、房价预测
2. 逻辑回归：输出概率结果，处理二分类任务，比如判断用户是否流失
3. 决策树：树形分支规则做判断，逻辑直观易懂
4. 随机森林：整合多棵决策树，降低单棵树误差，提升预测准确率
5. 支持向量机SVM：划分最优边界，解决小样本高难度分类问题
6. K-近邻：参照邻近数据类别，完成样本归类
7. 朴素贝叶斯：依托贝叶斯概率做快速分类，多用于文本垃圾识别
8. 梯度提升：串行迭代模型，不断修正前序模型误差
9. AdaBoost：强化弱学习器效果，提升整体分类能力
10. XGBoost：优化版梯度提升，工业界表格数据竞赛主流算法

二、无监督学习（聚类、降维、异常检测）

11. K均值聚类：自动把数据划分为K个群组，做用户分群、品类归类
12. 层次聚类：逐层构建族群，生成树形聚类结构
13. DBSCAN：密度聚类，自动识别密集族群与孤立异常点
14. PCA主成分分析：压缩高维数据，保留核心信息实现降维
15. t-SNE：把高维数据转化为二维图表，实现可视化展示
16. K-Means++：优化初始中心点选取，改善普通K均值聚类缺陷
17. 孤立森林：专门筛查异常值、离群数据，用于风控、故障检测

三、强化学习（自主决策、智能博弈）

16. Q-学习：依靠动作价值函数，让智能体试错学习最优行为
17. SARSA：同策略强化学习，根据实际执行动作更新策略
18. DQN深度Q网络：结合深度学习与Q学习，适配复杂高维场景
19. 策略梯度：直接优化行动策略，不单纯评估动作价值
20. 演员-评论家：融合价值评估与策略优化，兼顾稳定性与探索性
21. 马尔可夫决策过程MDP：强化学习基础框架，定义状态、动作、奖励整套决策逻辑

四、深度学习神经网络（图像、文本、时序）

21. ANN人工神经网络：深度学习基础骨架，模拟人脑神经元运算
22. CNN卷积神经网络：专攻图像识别、视觉检测，提取画面空间特征
23. RNN循环神经网络：适配语音、句子这类前后关联的序列数据
24. LSTM长短期记忆：改良RNN，解决长文本、长时序信息遗忘问题
25. Transformer：依靠注意力机制，当前大模型、NLP领域核心架构
26. 自编码器：学习数据压缩与还原，用于特征提取、降噪

五、启发式优化算法

30. 遗传算法：模仿生物进化法则，迭代寻优，解决复杂组合优化问题

AI算法科普 机器学习入门 深度学习知识点