【精】算法工程师学习线路图，共同进步，随时保持更新

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
  • 四、集成策略
  • 五、多样性分析
  • 【理论知识待学习】
  <