机器学习&深度学习 - 笔记 - 目录

AI学习开源项目

机器学习

1.机器学习初识

2.支持向量机(support vector machines, SVM)

实战

来源于：Aurelien Geron 的《机器学习实战 基于Scikit-Learn、Keras和TensorFlow(第2版)》

书本中样例代码的github地址

1.幸福感和金钱的关系--利用线性回归模型、k-近邻回归模型分析

2.分类器 --- 手写数字识别(二元、多类)、多标签分类、多输出分类（图片清洗）

3.房价预测模型(监督学习、回归) --- 了解一个机器学习项目的整个流程

4.训练线性回归模型 --- “闭式”解方法、梯度下降（GD）

5.多项式回归、学习曲线

6.逻辑回归、Softmax回归 --- 鸢尾花分类

吴恩达深度学习课程

1.逻辑回归、梯度下降法、向量化

2.广播、关于numpy向量的说明

3.神经网络、激活函数、随机初始化

4.超参数、划分数据集、偏差与方差、正则化

5.归一化输入、梯度消失/爆炸、小批量梯度下降

6.指数加权平均、动量梯度下降法、RMSprop、Adam优化算法

7.学习率衰减、局部最优、Batch归一化、Softmax回归

8.单一数字评估指标、迁移学习、多任务学习、端到端的深度学习

9.边缘检测、Padding、stride、三维卷积、多个过滤器

10.深度卷积神经网络、池化层、为什么使用卷积、残差网络

11.1x1卷积、Inception网络

12.特征点检测、目标检测、交并比、非最大值抑制、锚框、YOLO算法、候选区域

13.one-shot learning、Siamese网络、Triplet loss、面部验证和二分类

14.神经风格转换（neural style transfer）

15.循环神经网络（RNN）

16.词嵌入、情感分类任务

李沐深度学习课程

1.深度学习环境配置&在云服务器上运行jupyter notebook

2.数据操作 & 数据预处理

3.线性代数

4.矩阵计算和自动求导