-
主成分分析（PCA）：
- 定义：PCA通过线性变换，将高维数据投影到低维空间，保留数据的主要变异信息。
- 数学表示：大化投影方差，小化重构误差。
- 优化方法：特征值分解、奇异值分解。
-
独立成分分析（ICA）：
- 定义：ICA通过线性变换，将观测数据分解成独立的成分，常用于信号分离。
- 数学表示：大化成分的独立性。
- 优化方法：大似然估计、对比函数。
半监督学习算法
-
自训练（Self-Training）：
- 定义：自训练通过初始模型对未标注数据进行预测，将高置信度的预测结果作为新标签，迭代训练模型。
- 关键概念：置信度阈值、迭代训练。
- 优化方法：置信度评估、数据增强。
-
协同训练（Co-Training）：
- 定义：协同训练通过两个或多个模型互相学习对方的预测结果，利用未标注数据进行训练。
- 关键概念：模型互补性、迭代训练。
- 优化方法：模型选择、数据分割。
强化学习算法
-
Q学习（Q-Learning）：
- 定义：Q学习通过学习状态-动作值函数（Q函数），指导智能体在环境中采取优行动。
- 数学表示：( Q(s, a) = Q(s, a) + \alpha [r + \gamma \max_{a'} Q(s', a') - Q(s, a)] )。
- 优化方法：ε-贪心策略、经验回放。
-
深度Q网络（DQN）：
- 定义：DQN结合深度神经网络和Q学习，处理高维状态空间的强化学习问题。
- 关键概念：目标网络、经验回放。
- 优化方法：梯度下降、网络更新。
-
策略梯度（Policy Gradient）：
- 定义：策略梯度通过直接优化策略函数，大化累积奖励。
- 数学表示：( \nabla J(\theta) = \mathbb{E}[\nabla \log \pi_\theta(a|s) Q^\pi(s, a)] )。
- 优化方法：梯度下降、蒙特卡罗方法。
-
近端策略优化（PPO）：
- 定义：PPO通过限制策略更新的步长，稳定策略梯度的训练过程。
- 关键概念：剪切概率比、
