SVM 背后的基本概念是，对于二元可分的模式（pattern），存在一个最优的超平面。对于不可二元分类的数据，我们可以使用核函数将原始数据转换到一个新的平面上。SVM 将区分超平面的边缘区域最大化。SVM 尤其适用于高纬空间，如果维度比样本数量大也依然有效。

　　深广模型（Deep and Wide Models）

　　使用情况：推荐系统、分类和回归

　　深广网络（Deep and Wide Network）的细节可以参见这篇文章：，开源 TensorFlow 模型。

　　深广网络将线性模型和前馈神经网络结合在一起，因此网络得出的预测既有记忆也有泛化功能。这类模型可以用于分类和回归问题。深广网络的预测相对较准，可以减少特征工程。由此，在两边都取得最好的结果。下面是一个简单的代码片段：

　　随机森林

　　使用情况：分类和回归

　　随机森林模型包含很多不同的分类树，每棵树都为分类投票。森林选择票数最多的那个分类。

　　随机森林不会过拟合，你可以随便增加树的数量而且速度也相对较快。你可以用下面这段代码跑一次 iris 数据。

　　贝叶斯强化学习

　　使用情况：分类和回归

　　在Github TensorFlow 页面 contrib 文件夹有一个库叫做 BayesFlow。BayesFlow 里面没有说明，只有一个 REINFORCE 算法。这个算法是由 Ronald Wiliams 提出的。

　　REward Increment = Nonnegative Factor * Offset Reinforcement * Characterisitic Eligibility

　　该网络试图解决直接的强化学习任务，每次试验得到强化值后对修正权重。在每次试验最后，每个权重都会学习速率因子乘以强化值减去基准乘以特征资格（characteristic eligibility）。Williams 在论文中讨论了使用反向传播训练 REINFORCE 网络的情况。

　　线性链条件随机场

　　使用情况：数据排序

　　CRF 是根据无向模型因子化（factorize）的条件概率分布。这种模型预测单一样本的标签，同时保持相邻样本的语境。CRF 与隐藏摩尔科夫模型十分类似。CRF 常用于图像分割和物体识别，在浅层分析、命名实体识别和基因查找（gene finding）中也有使用。

　　编译来源：https://hackernoon.com/tensorflow-in-a-nutshell-part-three-all-the-models-be1465993930#.xsno91gkc

　　豪华嘉宾阵容，共飨 AI 盛宴

开奖，使用情况及代码样例" src="http://www.wzatv.cc/atv/uploads/allimg/161010/052F24258_0.jpeg" />

　　7 大院长齐聚新智元智库院长圆桌论坛

　　2016世界人工智能大会技术论坛特设“新智元智库院长圆桌会议”，重量级研究院院长7剑下天山，带来最前沿的AI研究动态、剖析技术发展趋势。

　　七位人工智能界“高手”现场过招，思想的激烈碰撞会给目前的人工智能发展带来哪些洞见？七位院长对行业的发展会有哪些前瞻揭秘？10月18日下午，2016 世界人工智能大会技术论坛，答案将逐层揭晓。