经典算法大全（51个C语言算法+单片机常用算法+机器学十大算法）

      算法的描述：是对要解决一个问题或要完成一项任务所采取的方法和步骤的描述，包括需要什么数据（输入什么数据、输出什么结果）、采用什么结构、使用什么语句以及如何安排这些语句等。通常使用自然语言、结构化流程图、伪代码等来描述算法。
       本经典算法研究系列，如今己写了22篇，13个算法，包括算法理论的研究，算法编程的实现，很多个算法都后续写了续集，如第二个算法：Dijkstra算法，便写了4篇文章。而红黑树系列，则更是最后写了6篇文章，成为了国内最为经典的红黑树教程。
十三个经典算法集锦
        　　一、A*搜索算法
        　　一（续）、A*，Dijkstra，BFS算法性能比较及A*算法的应用
        　　二、Dijkstra算法初探
        　　二（续）、彻底理解Dij kstra算法
        　　二（再续）、Dijkstra算法+fibonacci堆的逐步c实现
        　　二（三续）、Dijkstra算法+Heap堆的完整c实现源码
        　　三、dynamic programming
　　四、BFS和DFS优先搜索算法
        　　五、红黑树算法的实现与剖析
        　　五（续）、教你透彻了解红黑树
        　　六、教你从头到尾彻底理解KMP算法
        　　七、遗传箅法透析GA本质
        　　八、再谈启发式搜索算法
        　　九、图像特征提取与匹配之SIFT算法
        　　九（续）、sift算法的编译与实现
        　　九（再续）、教你一步一步用c语言实现sift算法、上九（再续）、教你一步一步用c语言实现sift算法、下
        　　十、从头到尾彻底理解傅里叶变换算法、上
        　　十、从头到尾彻底理解傅里叶变换算法、下
        　　十一、从头到尾彻底解析Hash表算法
        　　十二、快速排序算法之所有版本的c/c++实现
        　　十三、通过浙大上机复试试题学SPFA算法




整体来说，机器学习算法可以分为 3 大类：
        0.1 监督学习
       工作原理：该算法由自变量（协变量、预测变量）和因变量（结果变量）组成，由一组自变量对因变量进行预测。通过这些变量集合，我们生成一个将输入映射到输出的函数。训练过程达到我们设定的损失阈值停止训练，也就是使模型达到我们需要的准确度等水平。
        监督学习的例子：回归，决策树，随机森林，KNN，逻辑回归等
        0.2 无监督学习
       工作原理：在无监督学习算法中，我们没有目标或结果变量来预测。 通常用于不同群体的群体聚类。
        无监督学习的例子：Apriori 算法，K-means。
        0.3 强化学习
       工作原理： 强化学习（reinforcement learning），又称再励学习、评价学习，学习不是单一方法，而是一种机器学习方式，在智能控制机器人及分析预测等领域有许多应用。
       强化学习例子：马尔可夫决策过程
       通用机器学习算法列表
       1. 线性回归
       2. Logistic 回归
       3. 决策树
       4. SVM
　　5. 朴素贝叶斯
        　　6. KNN
　　7. K 均值
        　　8. 随机森林
        　　9. 降维算法
        　　10. 梯度提升算法
        　　1.GBM
　　2.XGBoost
　　3.LightGBM
　　4.CatBoost