机器学习知识图谱包含哪些核心概念？（附206节点详解）

Introduction

机器学习诞生于多个研究领域的交叉点。这些领域中的重要概念以多种方式相互关联。构建此知识图谱的目的在于揭示这些概念之间的联系，并帮助我们在这个复杂的思想空间中导航。目前，该图谱包含 206 个节点和 278 条边。

• Mathematics
• Statistics
• Machine Learning
• Optimization
• Artificial Intelligence

这些概念被分为 5 大类：

• 数学
• 统计学
• 机器学习
• 优化
• 人工智能

此外，还添加了一个名为“其他”的类别，用于列出重要的相关研究领域。有些概念位于多个领域的交叉点，难以严格分类。我们努力将其归类于其更常被使用的领域。图谱涵盖的主题如下所列。

Core Curriculum & Knowledge Structure

以下结构化课程大纲概述了构成机器学习基础的相互关联的领域。这个双语列表反映了原始知识图谱的层次化组织。

Mathematics

• Set theory (集合论)
  • Empty set (空集)
  • Operations on sets (集合运算)
    • Complement (补集)
    • Union (并集)
    • Intersection (交集)
  • Sigma-algebra (σ-代数)
• Algebra (代数)
  • Linear Algebra (线性代数)
    • Eigenstuff (特征值与特征向量)
  • Abstract Algebra (抽象代数)
• Calculus (微积分)
  • Limits (极限)
  • Derivatives (导数)
    • Partial derivatives (偏导数)
      • Gradient (梯度)
  • Integrals (积分)
  • Taylor series (泰勒级数)
    • Maclaurin series (麦克劳林级数)
  • Fourier series (傅里叶级数)
    • Fourier transform (傅里叶变换)
      • Laplace transform (拉普拉斯变换)
• Topology (拓扑学)
  • Algebraic topology (代数拓扑学)
    • Manifolds (流形)

Optimization

*   Branch and Bound (分支定界法)
*   Linear Programming (线性规划)
    *   Simplex (单纯形法)
*   Newton's method (牛顿法)
*   Gradient descent (梯度下降)

• Heuristics (启发式方法)

Probability

• Sample Space (样本空间)
• Kolmogorov axioms (柯尔莫哥洛夫公理)
• Cox's theorem (考克斯定理)
• Counting methods (计数方法)
  • Multiplication rule (乘法原理)
  • Permutation (排列)
  • Arrangement (排列（有重复）)
• Bayes' Theorem (贝叶斯定理)
• Random Variables (随机变量)
  • Expected value (期望值)
  • Variance (方差)
  • Distributions (分布)
    • Exponential family (指数族分布)
      • Normal distribution (正态分布)
      • Joint distribution (联合分布)
    • Chernoff bound (切尔诺夫界)

Statistics

• Resampling (重采样)
  • Jackknife (刀切法)
  • Bootstrap (自助法)
• Likelihood function (似然函数)
• Random Field (随机场)
  • Stochastic process (随机过程)
  • Markov Chain (马尔可夫链)
• Inference (推断)
  • Hypothesis testing (假设检验)
    • ANOVA (方差分析)
  • Survival analysis (生存分析)
    • Non-parametric (非参数方法)
      • Kaplan–Meier (卡普兰-迈耶估计量)
      • Nelson-Aalen (纳尔逊-艾伦估计量)
    • Parametric (参数方法)
      • Cox regression (考克斯回归)
      • Error (误差)
        • Mean squared error (均方误差)
      • Bias and Variance (偏差与方差)
        • Unbiased estimator (无偏估计量)
          • Cramér-Rao bound (克拉默-拉奥下界)
        • Consistency (相合性)
        • Efficiency (有效性)
      • Robustness (稳健性)
        • M-estimators (M估计量)
    • Covariance matrix (协方差矩阵)
      • Feature selection (特征选择)
        • Filter methods (过滤式方法)
        • Wrapper methods (封装式方法)
        • Embedded methods (嵌入式方法)
      • Feature extraction (特征提取)
        • Linear (线性方法)
        • Nonlinear (非线性方法)
          • t-SNE (t-分布随机邻域嵌入)
          • UMAP (均匀流形逼近与投影)
    • Factor Analysis (因子分析)
  • Mixture models (混合模型)
    • Method of moments (矩估计法)
    • Spectral method (谱方法)
    • Regression (回归)
      • Linear regression (线性回归)
        • Logistic regression (逻辑回归)
  • Bayesian Inference (贝叶斯推断)
    * MCMC (马尔可夫链蒙特卡洛)
    • Bayesian Networks (贝叶斯网络)
      • Boltzmann machine (玻尔兹曼机)
    • Additive models (加性模型)

Machine Learning

*   Hypothesis set (假设集)
    *   Inductive bias (归纳偏置)
        *   No free lunch theorem (没有免费午餐定理)
*   Loss function (损失函数)
*   Regularization (正则化)
    *   LASSO (LASSO回归)
    *   Ridge (岭回归)
    *   Elastic Net (弹性网络)
    *   Early stopping (早停法)
    *   Dropout (随机失活)

• Cross-validation (交叉验证)
• k-NN (k近邻算法)
• Naive Bayes (朴素贝叶斯)
  • Kernel trick (核技巧)
• Decision trees (决策树)
  • Random Forest (随机森林)
• Neural Networks (神经网络)
  • Training (训练)
    • Backpropagation (反向传播)
    • Activation function (激活函数)
      • Sigmoid (Sigmoid函数)
      • Softmax (Softmax函数)
      • Tanh (双曲正切函数)
      • ReLU (线性整流函数)
  • Architecture (架构)
    * Perceptron (感知机)
    * Deep Q-Learning (深度Q学习)
    * Autoencoder (自编码器)
    • Recurrent networks (循环网络)
      • LSTM (长短期记忆网络)
      • Hopfield networks (霍普菲尔德网络)
• Ensemble (集成学习)
  • Bagging (袋装法)
  • Boosting (提升法)
  • Stacking (堆叠法)
• Meta-learning (元学习)
• Sequence models (序列模型)

Artificial Intelligence

• Symbolic AI (符号人工智能)
  • Logic-based AI (基于逻辑的人工智能)
    • Automated reasoning (自动推理)
• Search Problems (搜索问题)
  • Decision Theory (决策理论)
    • Game Theory (博弈论)
      • Zero-sum game (零和博弈)
        • Minimax (极小化极大算法)
      • Non-zero-sum game (非零和博弈)
• Cybernetics (控制论)
  • Computer vision (计算机视觉)
  • Robotics (机器人学)
    • Language model (语言模型)
      • Unigram model (一元模型)
    • Topic model (主题模型)
      • Text classification (文本分类)
        • Sentiment analysis (情感分析)
        • Word representation (词表示)
          • Bag-of-words (词袋模型)
          • Word embedding (词嵌入)
            • Word2vec (Word2vec)
      • Speech recognition (语音识别)
      • Text summarization (文本摘要)
      • Machine translation (机器翻译)
        • Recommender system (推荐系统)
    • Turing test (图灵测试)

Other

• Complexity Theory (复杂性理论)
  • Ising model (伊辛模型)
• Information Theory (信息论)
  • Entropy (熵)
  • Signal processing (信号处理)
    • Kalman filter (卡尔曼滤波器)

Key Methodologies & Conceptual Comparisons

Optimization Algorithms: A Comparative Overview

Dimensionality Reduction Techniques

Neural Network Activation Functions

Function	Formula (Typical)	Range	Advantages	Disadvantages
(0, 1)
Tanh	(-1, 1)
< 常见问题（FAQ） 这个知识图谱包含哪些主要学科领域？ 该图谱涵盖数学、统计学、机器学习、优化和人工智能五大核心领域，共映射了206个相互关联的概念，为理解复杂的机器学习知识体系提供了结构化框架。 知识图谱如何帮助我学习机器学习？ 图谱通过278条边清晰展示概念间的联系，并按照核心课程结构（如数学基础、优化方法、概率统计等）组织内容，帮助学习者系统性地导航整个知识体系。 图谱中的概念分类标准是什么？ 概念主要按使用频率较高的领域归类，部分交叉概念难以严格分类。除五大核心类别外，还设有“其他”类别收录相关研究领域，确保知识结构的完整性。 Roger深圳 本文由 Roger 审核，最后更新于 2026年7月2日 联系编辑 → 标签 生成式引擎优化结构化数据llms.txtAI大模型人工智能 ← 返回文章列表 分享到：微博微信链接 下一篇 STDM如何让数据实现自我思考并指导大模型分析？ 版权与免责声明：本文仅用于信息分享与交流，不构成任何形式的法律、投资、医疗或其他专业建议，也不构成对任何结果的承诺或保证。 文中提及的商标、品牌、Logo、产品名称及相关图片/素材，其权利归各自合法权利人所有。本站内容可能基于公开资料整理，亦可能使用 AI 辅助生成或润色；我们尽力确保准确与合规，但不保证完整性、时效性与适用性，请读者自行甄别并以官方信息为准。 若本文内容或素材涉嫌侵权、隐私不当或存在错误，请相关权利人/当事人联系本站，我们将及时核实并采取删除、修正或下架等处理措施。也请勿在评论或联系信息中提交身份证号、手机号、住址等个人敏感信息。 相关文章 深度实测：GLM-5.2长上下文与Kimi K2.7国际化，差距在哪 AI大模型2026-06-22 实测OpenAI API：gpt-3.5和gpt-4差距到底在哪 AI大模型2026-06-15 RAG七步工作流：分块做不对，后面全是白费 AI大模型2026-06-09 OpenAI有哪些AI模型？2026年GPT-4与GPT-3.5等如何选择 AI大模型2026-05-11