SVM训练算法与贝叶斯网络介绍

除了上面的深度神经网络,还有其他一些能够模拟人类行为的算法,例如,支持向量机、贝叶斯网络、遗传算法等。

支持向量机(SVM,Support Vector Machines),也称为支持向量网络,是用于分类和回归的相关监督学习方法。给定一组训练示例,每个示例都标记为属于两个类别之一,SVM 训练算法构建一个模型,用于预测新的示例是否属于某一个分类。SVM 训练算法是非概率的二元线性分类器。除了执行线性分类之外,SVM 还可以执行非线性分类。

贝叶斯网络(Bayesian Network),也称为置信网络或有向无环图(DAG,Directed Acyclic Graph)模型(即,没有环路的有向图,参见3.6.6 节)),其表示一组随机变量与有向无环图(DAG)的条件依赖关系。例如,贝叶斯网络可以代表疾病和症状之间的概率关系。给定一个症状,网络可以计算各种疾病存在的概率。能模拟变量序列(如语音信号或蛋白质序列)的贝叶斯网络称为动态贝叶斯网络。(www.xing528.com)

遗传算法(GA,Genetic Algorithm),是一种模拟自然选择过程的搜索算法和启发式技术,使用诸如变异和交叉之类的方法来生成新的基因类型,有针对性地解决一些特定的问题。

注意:这些算法仅仅是对人类计算和思考过程的模拟。企图突破第1章和第2章巴贝奇机和冯诺依曼机的计算模型,用随机性(参数调整)模拟图灵提出的B 型机器(参见8.3.1节)。尽管如此,这些工作仍然是在有组织的图灵机器和冯·诺伊曼机器上进行的模拟,而离人脑的思考方式仍有很大的距离。