人工智能十大算法如下
線性回歸（Linear Regression）可能是最流行的機器學習算法。線性回歸就是要找壹條直線，並且讓這條直線盡可能地擬合散點圖中的數據點。它試圖通過將直線方程與該數據擬合來表示自變量（x?值）和數值結果（y?值）。然後就可以用這條線來預測未來的值！
邏輯回歸（Logistic regression）與線性回歸類似，但它是用於輸出為二進制的情況（即，當結果只能有兩個可能的值）。對最終輸出的預測是壹個非線性的?S?型函數，稱為?logistic function, g()。
決策樹（Decision Trees）可用於回歸和分類任務。
樸素貝葉斯（Naive Bayes）是基於貝葉斯定理。它測量每個類的概率，每個類的條件概率給出?x?的值。這個算法用於分類問題，得到壹個二進制“是?/?非”的結果。看看下面的方程式。
支持向量機（Support Vector Machine，SVM）是壹種用於分類問題的監督算法。支持向量機試圖在數據點之間繪制兩條線，它們之間的邊距最大。為此，我們將數據項繪制為?n?維空間中的點，其中，n?是輸入特征的數量。在此基礎上，支持向量機找到壹個最優邊界，稱為超平面（Hyperplane），它通過類標簽將可能的輸出進行最佳分離。
K-?最近鄰算法（K-Nearest Neighbors，KNN）非常簡單。KNN?通過在整個訓練集中搜索?K?個最相似的實例，即?K?個鄰居，並為所有這些?K?個實例分配壹個公***輸出變量，來對對象進行分類。
K-?均值（K-means）是通過對數據集進行分類來聚類的。例如，這個算法可用於根據購買歷史將用戶分組。它在數據集中找到?K?個聚類。K-?均值用於無監督學習，因此，我們只需使用訓練數據?X，以及我們想要識別的聚類數量?K。
隨機森林（Random Forest）是壹種非常流行的集成機器學習算法。這個算法的基本思想是，許多人的意見要比個人的意見更準確。在隨機森林中，我們使用決策樹集成（參見決策樹）。
由於我們今天能夠捕獲的數據量之大，機器學習問題變得更加復雜。這就意味著訓練極其緩慢，而且很難找到壹個好的解決方案。這壹問題，通常被稱為“維數災難”（Curse of dimensionality）。
人工神經網絡（Artificial Neural Networks，ANN）可以處理大型復雜的機器學習任務。神經網絡本質上是壹組帶有權值的邊和節點組成的相互連接的層，稱為神經元。在輸入層和輸出層之間，我們可以插入多個隱藏層。人工神經網絡使用了兩個隱藏層。除此之外，還需要處理深度學習。