什麼是演算法?

演算法的核心是建立問題抽象的模型和明確求解目標，之後可以根據具體的問題選擇不同的模式和方法完成演算法的設計。 完全 遍歷法 和不完全遍歷法：在問題的解是有限離散解空間，且可以驗證正確性和最佳性時，最簡單的演算法就是把解空間的所有元素完全遍歷一遍，逐個檢測元素是否是我們要的解。 這是最直接的演算法，實現往往最簡單。 但是當解空間特別龐大時，這種演算法很可能導致工程上無法承受的計算量。 這時候可以利用不完全遍歷方法——例如各種搜尋法和規劃法——來減少計算量。 分治法 ：把一個問題分割成互相獨立的多個部分分別求解的思路。 這種求解思路帶來的好處之一是便於進行平行計算。 動態規劃 法：當問題的整體最佳解就是由局部最佳解組成的時候，經常採用的一種方法。 貪婪演算法 ：常見的近似求解思路。

什麼是機器學習演算法?

從機器學習演算法（例如決策樹、神經網路、支援向量機等）到搜尋演算法（例如A*、Dijkstra等），演算法都是AI系統的核心。 例如，在使用C++實現機器學習模型時，演算法會決定如何從數據中學習規律，以及如何做出預測或決策。 瞭解什麼是演算法以及其如何運作，是進一步學習如何用C++實作AI的重要基礎。

分類演算法是什麼?

分類演算法屬於機器學習的一類，它將想要預測的資料值歸納到不同的類別中。 這些演算法可以幫助我們將資料分類為不同的群組或類別，並在新的資料點出現時做出預測。 正規化是一種數據預處理技術，它將原始資料按比例縮放到 [0, 1] 的區間內，同時保持資料的原始分佈。 這種轉換可以消除不同單位的限制，提供相同的基準來進行後續比較分析。 決策樹學習是一種基於Yes或No階段的演算法，透過一系列的分支和節點來選擇最終答案。 它可以用於分類和迴歸問題，並通過將資料拆分為不同的子集來做出決策。 貝氏定理是一個用於計算條件機率的數學定理，可以用於關於隨機事件A和B之間的相關性的推斷。 在機器學習中，貝氏方法可以用於分類問題和文本分析等應用。

什麼是基於核的演算法?

基於核的演算法是一種將線性不可分的特徵映射到高維空間的方法，從而使支援向量機等演算法能夠在高維空間中進行線性可變。 這種方法可以處理原本難分類的問題，並在高維空間找到適合的分類超平面。 分群演算法是一種非監督式機器學習演算法，可以將相似的資料點進行分群。 這種演算法不需要預先標記的樣本，它可以自動尋找資料中的結構和模式。 連結規則學習是一種用於在大型資料庫中發現變數之間有趣性關係的方法。 它利用有趣性的量度來辨識資料庫中的強規則，並可以應用於關聯性挖掘和推薦系統等領域。 類神經網路和深度學習是一類用於模仿人類神經系統的演算法，它們可以處理大量的資料和複雜的非線性問題，廣泛應用於圖像辨識、語音識別、自然語言處理等領域。 降維是一種數據預處理技術，它可以在不失太多資訊的情況下大幅減少資料的維度。