文字版【完成标绿】:
数学基础
1.线性代数基础
-
- 一、基本知识
- 二、向量操作
- 三、矩阵运算
- 【2019.5月大学线代部分全部完成】
2.概率论基础
-
- 一、概率与分布
- 二、期望
- 三、方差
- 四、大数定律及中心极限定理
- 五、不确定性来源
- 六、常见概率分布
- 七、先验分布与后验分布
- 八、测度论
- 九、信息论
- 【2019.6月大学概率论部分全部完成】
3.数值计算基础
-
- 一、数值稳定性
- 二、Conditioning
- 三、梯度下降法
- 四、海森矩阵
- 四、牛顿法
- 五、拟牛顿法
- 六、约束优化
- 【大二下学习过一次,待复习】
4.常用函数
-
- 一、 sigmoid
- 二、 softplus
- 三、Gamma 函数和贝塔函数
- 【花时间系统学习】
统计学习
0.机器学习简介
-
- 一、基本概念
- 二、监督学习
- 三、机器学习三要素
- 【理论知识待学习】
1.线性代数基础
-
- 一、线性回归
- 二、广义线性模型
- 三、对数几率回归
- 四、线性判别分析
- 五、感知机
- 【理论知识待学习】
2.支持向量机
-
- 一、线性可分支持向量机
- 二、线性支持向量机
- 三、非线性支持向量机
- 四、支持向量回归
- 五、SVDD
- 六、序列最小最优化方法
- 七、其它讨论
- 【理论知识待学习】
3.朴素贝叶斯
-
- 一、贝叶斯定理
- 二、朴素贝叶斯法
- 三、半朴素贝叶斯分类器
- 四、其它讨论
- 【理论知识待学习】
4.决策树
-
- 一、原理
- 二、特征选择
- 三、生成算法
- 四、剪枝算法
- 五、CART 树
- 六、连续值、缺失值处理
- 七、多变量决策树
- 【理论知识待学习】
5.knn
-
- 一、k 近邻算法
- 二、kd树
- 【理论知识待学习】
6.集成学习
-
- 一、集成学习误差
- 二、Boosting
- 三、Bagging