交通信号灯就是一个例子 。相反，隐马尔可夫模型通过分析可见数据来计算隐藏状态的发生 。随后，借助隐藏状态分析，隐马尔可夫模型可以估计可能的未来观察模式 。在本例中，高或低气压的概率（这是隐藏状态）可用于预测晴天、雨天、多云天的概率 。优点：容许数据的变化性，适用于识别（recognition）和预测操作场景举例：面部表情分析、气象预测6. 随机森林（Random forest）：随机森林算法通过使用多个带有随机选取的数据子集的树（tree）改善了决策树的精确性 。
本例在基因表达层面上考察了大量与乳腺癌复发相关的基因，并计算出复发风险 。优点：随机森林方法被证明对大规模数据集和存在大量且有时不相关特征的项（item）来说很有用场景举例：用户流失分析、风险评估7. 循环神经网络（Recurrent neural network）：在任意神经网络中，每个神经元都通过 1 个或多个隐藏层来将很多输入转换成单个输出 。
循环神经网络（RNN）会将值进一步逐层传递，让逐层学习成为可能 。换句话说，RNN 存在某种形式的记忆，允许先前的输出去影响后面的输入 。优点：循环神经网络在存在大量有序信息时具有预测能力场景举例：图像分类与字幕添加、政治情感分析8. 长短期记忆（Long short-term memory，LSTM）与门控循环单元神经网络（gated recurrent unit nerual network）：早期的 RNN 形式是会存在损耗的 。
尽管这些早期循环神经网络只允许留存少量的早期信息，新近的长短期记忆（LSTM）与门控循环单元（GRU）神经网络都有长期与短期的记忆 。换句话说，这些新近的 RNN 拥有更好的控制记忆的能力，允许保留早先的值或是当有必要处理很多系列步骤时重置这些值，这避免了「梯度衰减」或逐层传递的值的最终 degradation 。
【Bagging,bagging】LSTM 与 GRU 网络使得我们可以使用被称为「门（gate）」的记忆模块或结构来控制记忆，这种门可以在合适的时候传递或重置值 。优点：长短期记忆和门控循环单元神经网络具备与其它循环神经网络一样的优点，但因为它们有更好的记忆能力，所以更常被使用场景举例：自然语言处理、翻译9. 卷积神经网络（convolutional neural network）：卷积是指来自后续层的权重的融合，可用于标记输出层 。
推荐阅读
- htcg13刷机，如何刷机htcg13
- 2016年唐山房价,唐山的房价如何
- 2015年南郑县房价,如何看待汉中今年房价
- 幼儿教育中的绘本教学思路,一节好的绘本课如何上
- 万方论文查重如何用帐号登陆,常用的论文查重系统有哪些
- 学术期刊国家级和省级,如何区别国家级报刊
- 孩子学习舞蹈的几大误区,浅谈如何培养幼儿对舞蹈的兴趣
- 东南大学《临床流行病学》54集,如何撰写高质量的流行病学论文
- VI设计要能够体现企业文化特征,浅谈vi设计如何体现企业文化
- qq空间说说如何设置时间,空间说说末尾如何设置叶子