神经网络 (RNN)

“回归 （Linear Regression）、 逻辑回归 （Logistic Regression）、 K-近邻 （K-Nearest Neighbor，KNN算法）、 决策树 （Decision Tree）、朴素贝叶斯（Naive Bayes）、 神经网络 （Neural Network），还有用于降维的算法—— 线性判别分析 （Linear Discriminant Analysis，LDA）。”

“ssion）、逻辑回归（Logistic Regression）、支持向量机（Support Vector Machine，SVM）、朴素贝叶斯（Naive Bayes）、决策树（Decision Tree）、随机森林（Random Forest）、神经网络（Neural Network）和卷积神经网络（Convolutional Neural Networks，CNN）等。”

“连续型Hopfield神经网络（CHNN） 1984年，Hopfield把DHNN进一步发展成CHNN，其基本结构与DHNN相似，但CHNN中的所有神经元都同步工作，各输入、输出量均是随时间连续变化的模拟量，这就使得CHNN比DHNN在信息处理的并行性、实时性等方面更接近实际生物神经网络的工作原理。”

“从图8-6右侧两列数据可以发现，神经元总数拥有大致一样多的网络，对于1层的神经网络（DBN），隐含层神经元个数从2k增加到16k（网络拓扑结构为“短而胖”），它的错误率依然还是高居22.1%，显著高于“瘦而长”的网络（图8-6左下角的9层×1k的错误率为17.9%，5层×3k的错误率为17.0%）。”

“Mahout中的分类算法，除了前面介绍的决策树、朴素贝叶斯和回归，还包括了支持向量机（Support Vector Machine）、随机森林（Random Forests）、神经网络（Neural Network）和隐马尔科夫模型（Hidden Markov Model），等等。”

“算法的局限性： 当前的许多智能体主要基于卷积神经网络(CNN) 和循环 神经网络 (RNN) 等深度学习算法，这些算法在处理图像和序列数据时表 现优异，但在处理数字的精确计算和逻辑推理时表现欠佳。”