理工酷

我将根据机器学习中常见问题的类型进行回答：

分类和回归问题：

• XGBoost：通常能提供最佳的结果。
• 随机森林：它的性能往往比XGboost差一些，但由于易于部署并且在许多问题上都具有良好的效果，因此在业界得到了广泛的使用。
• SVM：它有许多有用的变体，对于某些问题来说是最好的选择，例如文本分类。

图片分类：

• 卷积神经网络：最近很热门的算法。

聚类：

• K-Means：很老的算法但目前还在行业中的大多数集群应用程序中使用，通常在精度和速度上没有其他算法好。
• HDBScan：一种“新”算法，非常适合检测不同大小和密度的簇。

推荐系统：

• 协同过滤：始终以某种方式成为系统的一部分。
• SVD ++：自Netflix竞赛以来，此方法已成为检测潜在功能的标准方法，并且始终是在推荐程序中提高结果的一种方法。请注意它与SVD无关。

降维：

• SVD: 永远是第一选择。 （PCA是一样的）
• NMF: 当SVD无法提供你需要的功能时。

表示：

• 深度自动编码器：几个深度学习系统的关键部分，也是找到表示数据集的最佳功能集的最佳方法之一。
• 稀疏过滤：一种计算量较少的好方法。
• Hash Kernels：速度非常快，通常会带来非常好的效果。

可视化：

• T-SNE：在二维或三维中可视化多维数据集的最新技术。

时间序列和顺序：

• LSTM：LSTM是递归神经网络，能够“记住”过去的事物，是情感分析等领域的最新技术。

除此之外，还有MCMC和贝叶斯网络：虽然很复杂，但理论上可以通过良好的贝叶斯分析和MCMC来解决任何问题。