Deeplearning Algorithms tutorial

谷歌的人工智能位于全球前列，在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大旗，覆盖无人驾驶、智能助手、图像识别等许多层面。苹果业已开始全面拥抱机器学习，新产品进军家庭智能音箱并打造工作站级别Mac。另外，腾讯的深度学习平台Mariana已支持了微信语音识别的语音输入法、语音开放平台、长按语音消息转文本等产品，在微信图像识别中开始应用。全球前十大科技公司全部发力人工智能理论研究和应用的实现，虽然入门艰难，但是一旦入门，高手也就在你的不远处！ AI的开发离不开算法那我们就接下来开始学习算法吧！

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。主要研究计算机怎样模拟或实现人类的学习行为，以获取新的知识和技能，重新组织已有的知识结构，不断的改善自身的性能。

机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。这些算法是一类能从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。简而言之，机器学习主要以数据为基础，通过大数据本身，运用计算机自我学习来寻找数据本身的规律，而这是机器学习与统计分析的基本区别。

机器学习主要有三种方式：监督学习，无监督学习与半监督学习。

(1)监督学习：从给定的训练数据集中学习出一个函数，当新的数据输入时，可以根据函数预测相应的结果。监督学习的训练集要求是包括输入和输出，也就是特征和目标。训练集中的目标是有标注的。如今机器学习已固有的监督学习算法有可以进行分类的，例如贝叶斯分类，SVM，ID3，C4.5以及分类决策树，以及现在最火热的人工神经网络，例如BP神经网络，RBF神经网络，Hopfield神经网络、深度信念网络和卷积神经网络等。人工神经网络是模拟人大脑的思考方式来进行分析，在人工神经网络中有显层，隐层以及输出层，而每一层都会有神经元，神经元的状态或开启或关闭，这取决于大数据。同样监督机器学习算法也可以作回归，最常用便是逻辑回归。

(2)无监督学习：与有监督学习相比，无监督学习的训练集的类标号是未知的，并且要学习的类的个数或集合可能事先不知道。常见的无监督学习算法包括聚类和关联，例如K均值法、Apriori算法。

(3)半监督学习：介于监督学习和无监督学习之间,例如EM算法。

如今的机器学习领域主要的研究工作在三个方面进行：(1)面向任务的研究，研究和分析改进一组预定任务的执行性能的学习系统；(2)认知模型，研究人类学习过程并进行计算模拟；(3)理论的分析，从理论的层面探索可能的算法和独立的应用领域算法。

Prefixspan

前缀投影序列模式增长（PrefixSpan）算法是采用后缀序列转前缀序列的方式来构造频繁序列的，在转换过程中，从后缀序列中提取出1项加入到前缀序列中，变化的规则就是从左往右扫描，找到某元素的对应的项，然后做出改变；根据此规则，继续递归，直到后续的序列不满足最小支持度阈值的情况。

PrefixSpan是一种不需要产生候选集的频繁模式挖掘方法，采用分治的思想，不断产生序列数据库的多个更小的投影数据库（后缀子序列），然后在各个投影数据库上进行序列模式挖掘。

相关应用

PrefixSpan在序列事务及有关信息处理中有着广泛的应用，如客户购物习惯、Web访问模式、科学实验过程分析、自然灾害预测、疾病治疗、药物检验及DNA等。

优缺点

优点：不产生任何的候选集，减少空间；投影数据库规模不断在减少；采用分而治之的方法，提高了算法效率，而且与SPADE和GSP算法相比，在内存使用上更加的稳定。

缺点：如果序列多且对每个序列建立一个投影数据库，会加大内存的使用，从而降低计算速度；实现难度大。