十大算法，1.K-means 2.Apriori 3.Naive Bayes 4.C4.5 5.Ensemble 6.Support Vector Machines 7.KNN 8.PageRank 9.Random Forests 10.Regression.

1.贝叶斯定理：

通过贝叶斯定理，我们可以评估有关客观事件及假设的可能性。

它可以用来确定各种条件之间的先验概率，从而有助于在不确定性环境中做出明智的决策。

2.K-近邻算法：

KNN算法用于分类，其中的思想是存储样本数据实体以及其所属的簇，当新样本数据出现时，K-近邻算法可以根据其K个最近邻的数据点的类别，来对新的样本实体进行分类。

3.线性回归：

线性回归算法可以用来预测数据之间的关系，并可以用来推断出未来数据的值。

该算法使用一些线性统计技术来评估实际数据之间的拟合度，以确定拟合度最佳的直线方程。

4.支持向量机：

支持向量机是一种机器学习算法，它通过分析复杂问题来识别模式。

相比于其他传统分类算法，支持向量机可以进行非线性分类，在非线性分类上更具优势。

5.回归树：

回归树是一种用于预测和推断的决策树算法，其实现了回归任务的目标函数。

它可以用来对连续值型函数进行精确算法和估计，在对象分类任务中也可以起到辅助作用。

6.Apriori算法：

Apriori算法可以用来发现频繁项集，由此可以得出关联规则。

该算法基于先验知识，可以帮助用户了解数据之间的关联，并进行布尔计算。

7.K-均值聚类：

K-均值聚类是一种用来将数据对象划分为X簇的算法，它有助于把每一个簇更相似的数据对象分到一起。

8.AdaBoost算法：

AdaBoost算法是一种集成学习技术，它可以组合多个弱学习器，用来取得更准确的预测结果。

AdaBoost算法重新对每一轮的分类器进行加权，使得未被正确分类的样本在下一轮中的权重更高，从而提高分类器的效率。

9.隐马尔可夫模型：

隐马尔可夫模型是一种预测序列模型，它用来描述序列数据的隐含状态，并用来预测观测值。

其基本思想是，模型将隐藏状态看作是事件分布的参数，即使我们不知道这些状态，也可以通过模型来进行预测。

10.决策树：

决策树是一种基于熵的数据挖掘算法，它使用基于概率的决策分支图（熵）来表示决策树形式的学习结构，以便将数据划分为输出类别。

决策树可以用来处理分类问题也可以用来解决回归问题。

计算机经典算法

计算机经典算法是计算机科学的基础,其中比较知名的包括排序算法和搜索算法。

排序算法，包括冒泡排序、插入排序、选择排序、希尔排序、归并排序、快速排序、堆排序等，它们的实现方法不同，但目的都是使排序结果满足特定的排序规则。

搜索算法，包括线性搜索、二分搜索、深度优先搜索、广度优先搜索等，它们是搜索特定数据的有效方法。

此外，有一些其他的经典算法，如图论中的 Prim 算法、Kruskal 算法，以及动态规划算法，它们也是计算机科学的基石。

计算机算法经典问题

计算机算法经典问题是指很多科学家，工程师，编程者等领域的人共同研究研发出来的算法问题。

计算机算法的经典案例有很多，有带权图最短路径问题、元胞自动机、博弈论、图算法、数学归纳法、密码学安全等。

例如带权图最短路径算法，可以找到两个所有点之间最短的路径，如求解马踏棋盘。

元胞自动机可以用来模拟细胞细胞之间的性质变化，同时揭示基因水平上的交互行为。

图算法用于处理由结点和可能连接它们的边组成的数据结构。

博弈论则是一门研究决策理论的理论，它涉及到最优策略的选择。

例如，最优搜索树算法可以帮助我们在有限的时间内找到最优解或最优策略，以广泛应用于游戏和决策中。

算法复杂度分析可以从多种角度对一个算法的时间和空间复杂度进行分析。

动态规划算法可以用来解决一类步骤间有关联的最优化问题。