人工智能机器学习入门与进阶学习线路推荐

同学们大家好，我是卢菁；自入行机器学习多年来，有不少同学问过我有没有一份完整的机器学习入门-进阶学习路线；说过不少次，但是一直没有如何完整的写出来；恰逢今日有空，便编辑了一下，这是我整理教学的机器学习入门与进阶学习线路，包括基础部分与多个项目讲解，项目内容基本都是给各大企业培训或是我工作跑来；基本满足国内百分之八十AI岗位需求；当然这只是我个人整理，更多的也需要自己多学习，记住：机器学习是一门不需要进行明确编程就能使计算机发挥作用的科学：学习基础编码知识、机器学习及深度学习、专注于一个角色。

目录

基础部分

一：特征向量和距离

二：线性回归

三：逻辑回归

四：无监督模型

五：因子分解模型-FM模型

六：深度神经网络

七：深度学习进阶

八：序列神经网络

九：自然语言处理

十：计算机视觉

进阶板块

一：机器学习进阶

二：NLP大规模预训练模型

三：中文自然语言处理

四：自然语言处理

五：推荐系统

六：计算机视觉

---

基础部分

一：特征向量和距离

人工智能技术综述

1.1 人工智能和机器学习的关系

1.2 人工智能主要方向剖析

1.3 人工智能学习路线规划

特征提取: 物理世界的数学描述

2.1 onehot和multihot

2.2 图像特征和边缘提取

2.3 连续特征的正规化和分段

2.4 行为类特征的向量化

2.5 社交类特征的向量化

2.6 离散特征的向量化

向量之间的距离计算以及使用场景

3.1 欧氏距离、海明距离、闵可夫斯基距离

3.2 内积距离

3.3 雅克比相似度和雅克比距离

3.4 各类距离的比较以及优缺点

3.5numpy入门以及距离计算

二：线性回归

线性回归概述

1.1 线性回归的定义

1.2 线性回归的适用场景

1.3 岭回归

模型评估

2.1 线性回归的评测方法

2.2 训练集和测试集

2.3 模型的泛化能力

模型学习方法

3.1 损失函数MSE和最小二乘法

3.2 导数的定义和计算

3.3 极大值和极小值

3.4 梯度下降法

3.5 从几何角度理解梯度下降法

sklearn框架

4.1 sklearn框架的介绍、安装方法4.2 使用sklearn完成线性回归模型

深入理解线性回归

5.1 多项式回归解决非线性问题

5.2 特征元余和曝音特征

5.3 线性回归和正态分布

三。逻辑回归

分类任务和概率

1.1多分类和二分类

1.2 分类模型和率模型

三：逻辑回归

2.1感知器及其局限性

2.2 sigmoid函数详解

2.3 逻辑回归在分类问题上的应用

2.4 模型的正则化

梯度下降法

3.1 sigmoid函数的导数推导

3.2 逻辑回归的损失函数KL距离

3.3 梯度下降法在逻辑归上的应用

3.4 学习因子的设定

3.5 正则项在逻辑回归中的必要性

逻辑回归实战

4.1 使用sklearn实现逻辑回归

4.2 使用TensorFlow实现逻辑回归

4.3 辑回归调参指南

损失函数的选择和对比

5.1 KL距离和MSE的区别

5.2 KL距离背后的统计学原理

5.3 KL距离和交叉熵

逻辑回归的统计学原理

6.1 最大似然估计和KL损失函数

6.2.逻辑回归和正态分布

模型的正则化

7.1L1正则和L2正则的异同

7.2 正则化和过拟合

7.3 从概率的角度理解正则化

74 sklearn如何进行正则化的实现

分类模型的评价指标

8.1正确率，准确率和召回率

8.2 AUC和ROC

8.3 各类分类指标的优点、局限性

8.4 代码实战各类指标的计算

四：无监督模型

Kmeans模型

1.1聚类的目的和意义

1.2 Kmeans模型详解以及参