الگوریتم‌های یادگیری ماشین در سه دسته «نظارت شده» (Supervised)، «نظارت نشده» (Unsupervised) و «یادگیری تقویتی» (Reinforcement Learning) قرار می‌گیرند. برای آشنایی با هر یک از این دسته‌ها، مطالعه مطالب زیر توصیه می‌شود.

• مفاهیم یادگیری نظارت شده، نظارت نشده و نیمه نظارت شده
• یادگیری نظارت شده (Supervised Learning) با پایتون — راهنمای جامع
• یادگیری نظارت نشده (Unsupervised Learning) با پایتون — راهنمای جامع و کاربردی
• یادگیری تقویتی (Reinforcement Learning) — راهنمای ساده و کاربردی

در ادامه، مهم‌ترین و کاربردی‌ترین الگوریتم‌های یادگیری ماشین برای هر یک از این دسته‌ها، به همراه منابع یادگیری آن‌ها معرفی شده‌اند.

۱. الگوریتم دسته‌بند بیز ساده (Naïve Bayes Classifier Algorithm) – نظارت شده

منابع یادگیری:

• • دسته‌‌بند بیز ساده (Naive Bayes Classifiers) — مفاهیم اولیه و کاربردها
  • الگوریتم بیز ساده در پایتون — راهنمای کاربردی
  • دسته‌بند بیز ساده و داده‌های استاندارد شده — پیاده‌سازی در پایتون

۲. الگوریتم K میانگین (K Means Clustering Algorithm) – نظارت نشده

منابع یادگیری:

• خوشه‌بندی k میانگین (k-means Clustering) — به همراه کدهای R
• خوشه‌بندی K-Means در پایتون — راهنمای کاربردی
• نقاط ضعف الگوریتم k-means — به زبان ساده

۳. الگوریتم ماشین بردار پشتیبان (Support Vector Machine Algorithm) – نظارت شده

منابع یادگیری:

• ماشین بردار پشتیبان (Support Vector Machine) — به زبان ساده
• ماشین بردار پشتیبان — به همراه کدنویسی پایتون و R
• کاهش زمان اجرا در رگرسیون بردار پشتیبان — پادکست پرسش و پاسخ

۴. الگوریتم اپریوری (Apriori Algorithm) – نظارت نشده (با تغییراتی در الگوریتم می‌توان از آن به صورت نظارت شده نیز استفاده کرد.)

منابع یادگیری:

• الگوریتم اپریوری (Apriori) — راهنمای ساده و سریع
• الگوریتم اپریوری (Apriori) و کاوش الگوهای مکرر در داده‌کاوی — به همراه کد پیاده‌سازی در R
• الگوریتم اپریوری (Apriori) به همراه کد پیاده‌سازی در پایتون — کاوش قواعد وابستگی در داده‌کاوی
• پشتیبان، اطمینان، بالابری و عقیده — مفاهیم کاربردی در کاوش قواعد وابستگی

۵. الگوریتم رگرسیون خطی (Linear Regression Algorithm) – نظارت شده

منابع یادگیری:

• رگرسیون خطی ساده — مفهوم و محاسبات به زبان ساده (+ دانلود فیلم آموزش رایگان)
• رگرسیون خطی در پایتون — مفاهیم اساسی (بخش اول)
• رگرسیون خطی در پایتون — کدها و برنامه‌ها (بخش دوم)
• رگرسیون خطی چندگانه (Multiple Linear Regression) — به زبان ساده
• آزمون رگرسیون خطی در SPSS — راهنمای کاربردی
• رگرسیون خطی با متغیرهای طبقه‌ ای در SPSS — راهنمای گام‌ به‌ گام
• رگرسیون خطی با گرادیان کاهشی (Gradient Descent) – پیاده سازی با پایتون

۶. الگوریتم رگرسیون لجستیک (Logistic Regression Algorithm) نظارت شده

منابع یادگیری:

• توزیع لجستیک و متغیر تصادفی آن — به زبان ساده
• رگرسیون لجستیک (Logistic Regression) — مفاهیم، کاربردها و محاسبات در SPSS
• رگرسیون لجستیک در پایتون — راهنمای گام به گام
• رگرسیون لجستیک چندجمله‌ای (Multinomial Logistic Regression) — مفاهیم و کاربردها
• شناسایی دست خط با رگرسیون لجستیک در پایتون — راهنمای کاربردی
• روش‌های رگرسیون در R — کاربرد در یادگیری ماشین (قسمت اول)

۷. الگوریتم درخت تصمیم (Decision Trees Algorithm) – نظارت شده

منابع یادگیری:

• همه چیز در مورد درخت تصمیم (Decision Tree)
• درخت تصمیم در SPSS — راهنمای کاربردی
• درخت تصمیم با پایتون — راهنمای کاربردی
• درخت جستجوی دودویی (BST) — ساختار داده و الگوریتم ها

۸. الگوریتم جنگل تصادفی (Random Forests Algorithm) – نظارت شده

منابع یادگیری:

• الگوریتم جنگل تصادفی (Random Forest) — راهنمای جامع و کاربردی
• درخت تصمیم و جنگل تصادفی در R — راهنمای کاربردی
• بصری سازی یک درخت تصمیم از جنگل تصادفی در پایتون با Scikit-Learn — از صفر تا صد
• جنگل تصادفی — پیش‌بینی قهرمان جام جهانی ۲۰۱۸ با استفاده از الگوریتم‌های یادگیری ماشین
• درخت های مدل (Model Trees) — راهنمای کاربردی
• مهم‌ترین الگوریتم‌های یادگیری ماشین (به همراه کدهای پایتون و R) — بخش نهم: جنگل تصادفی

۹. الگوریتم K نزدیک‌ترین همسایگی (K Nearest Neighbours Algorithm) – نظارت شده

منابع یادگیری:

• الگوریتم K-نزدیک‌ترین همسایگی به همراه کد پایتون
• ۳۰ پرسش و پاسخ درباره‌ی الگوریتم نزدیکترین K همسایه
• پیاده‌سازی الگوریتم‌های یادگیری ماشین با پایتون و R — به زبان ساده
• دسته‌بندی داده‌ها با پایتون — راهنمای کاربردی

۱۰. الگوریتم شبکه عصبی مصنوعی (Artificial Neural Networks Algorithm) – قابل استفاده به عنوان الگوریتم نظارت شده یا نشده

منابع یادگیری:

• شبکه‌های عصبی مصنوعی – از صفر تا صد
• انواع سلول‌ها و لایه‌ها در شبکه های عصبی — راهنمای جامع
• انواع شبکه های عصبی مصنوعی — راهنمای جامع
• انواع شبکه‌های عصبی و کاربردهای آن‌ها — پادکست پرسش و پاسخ
• ساخت شبکه عصبی — راهنمای مقدماتی
• شبکه عصبی مصنوعی و پیاده‌سازی در پایتون — راهنمای کاربردی
• ساخت شبکه عصبی (Neural Network) در پایتون — به زبان ساده
• شبکه عصبی در متلب — از صفر تا صد
• دسته‌بندی داده‌ها با شبکه عصبی مصنوعی | راهنمای کاربردی
• کدنویسی شبکه های عصبی مصنوعی چند لایه در پایتون — راهنمای کامل
• آموزش دادن شبکه عصبی در متلب — پادکست پرسش و پاسخ
• آموزش دادن شبکه عصبی با الگوریتم‌های فراابتکاری — پادکست پرسش و پاسخ
• پیش‌بینی قیمت بیت‌کوین با شبکه عصبی — راهنمای کاربردی
• پیش‌بینی سهام با شبکه‌های عصبی مصنوعی در پایتون — راهنمای کاربردی
• ساخت شبکه‌های عصبی در نرم‌افزار R
• آشنایی با شبکه‌های عصبی پیچشی (CNN)
• شبکه عصبی پیچشی (Convolutional Neural Networks) — به زبان ساده
• بهینه‌سازی با شبکه عصبی — پادکست پرسش و پاسخ