1樓：哈哈哈
卷積神經網路應該是一種經典的分類方法。
卷積神經網路
在普通卷積神經網路的基礎上，又衍生出一系列的新方法。
其中，最知名的就是殘差網路ResNet[1]。
ResNet在卷積神經網路中新增了跨層恒等對映，緩解了深層網路的訓練難度。
殘差網路
在殘差網路的基礎上，又衍生出了殘差收縮網路residual shrinkage network[2]
[3]。
殘差收縮網路採用了軟閾值函式作為其中一層，更適合含雜訊資料的分類：
殘差收縮網路
2樓：陳無左
以下是個迅速的回答：
1. 這個問題本身是個meta-learning，即對方法進行分類-> 不可能有定論，以上抽樣舉例式的回答是一種回答方式，這裡嘗試從抽象層面進行回答。
2. 總體上總是可以分成高維方法和低維方法。高維亦即非引數模型，低維即引數模型。顯然，非引數方法集之於引數方法集如同無理數集之於有理數集。
3. 引數方法的乙個大塊是線性模型，統計中這叫回歸，數學中這叫投影。這反映了乙個應用數學式的思路：
一開始問題總是無窮維的，然後開始用投影進行降維，同時加上向量空間假設，而所有非線性的部分全部扔到座標軸內部。
4. 引數方法的另乙個大塊是分布模型，基於似然函式的方法（極大似然）和貝葉斯（先驗x似然=後驗）。分布模型本質也是降維，把問題降到低維度的引數空間裡，並且允許樣本誤差的存在。
事實上線性模型在統計觀點下也是乙個分布模型，應變數的分布。這樣一來回歸的多變性不僅在於投影基向量的構造，還在於應變數分布的概率模型。這是高於應用數學思想的。
5. 當然還可以有別的引數方法。
6. 非參模型的一些例子前面的回答已經提過不少，如kernel，決策樹，boosting，bootstrap等等等等。
大資料演算法和傳統的資料探勘演算法有什麼顯著的差別？
Tony 我個人覺得這是兩個不同時代的東西，就像功能手機和智慧型手機有什麼顯著差別？雖然二者的本質都是資料來源 資料工具 模型演算法這三要素，但場景完全不一樣，是量級的差異。比如銀行傳統的資料探勘，基本使用的是交易資料，而現在機器資料和網際網路行為資料也納入進來，資料量和分析的維度複雜的多。還有乙個...
機器學習，資料探勘的書有哪些？
袖裡乾坤 Kevin Murphy 和周志華比較現代 王禮 資料分析方面較經典的書 輸入淺出資料分析 深入淺出統計學 精益資料分析 Excel應用大全 等 資料探勘較好的入門的書 資料探勘概念與技術 Clementine資料探勘方法及應用 信用風險評分卡研究 機器學習 R語言實戰 利用Python進...
大資料 資料探勘在交通領域有哪些應用？
miao君 關於應用場景，樓上的知友們已經說了很多了，不過說的大多都是城市交通建設方面的大資料應用。那我就來講講大資料是如何被應用在交通運輸領域的企業裡的，帶大家感受下資料具體的魅力吧。唯捷城配大家應該不陌生吧，B2B倉配物流的頭部企業，和華潤萬家 沃爾瑪 百果園等都有合作。隨著公司的發展，其原有的...