根据吴恩达机器学习课程改写的学习路线(可能不够完整,后面会看情况继续更改)
一、基础框架下载
二、机器学习
1、监督学习
基于线性回归
基于线性分类
- 特征工程-归一化
- 动机与目的
- 逻辑回归
- 决策边界
- 逻辑回归中的代价函数
- 简化逻辑回归代价函数
- 实现梯度下降
- 过拟合问题及其解决方法
正则化(优化模型的方法)
- 用于线性回归的正则化
- 用于逻辑回归的正则化
神经网络
- 什么是神经网络
- 神经网络中的网络层
- 更复杂的神经网络
- 神经网络向前传播
- 代码实现推理
- Tensorflow
- 搭建神经网络
- 实践内容
- 矩阵乘法
- Tensorflow实现
- 激活函数
- 多分类问题
- Softmax
- 神经网络中的Softmax
- Softmax的改进实现
- 多个输出的分类
- 高级优化方法
- 其他的网络层类型
- 模型评估&模型选择&交叉验证测试集的训练方法
- 通过偏差与方法进行诊断
- 正则化、偏差、方差
- 评估基准
- 学习曲线
- 方差与偏差
- 综合素养
决策树
- 纯度
- 选择拆分信息增益
- 整合
- 独热编码One-hot
- 连续有价值的功能
- 回归树
- 决策树与随机森林
- XGBoost
2、无监督学习
聚类
- K-means算法
- 协同过滤算法
- 二进制标签
- 均值归一化
- 协同过滤TensorFlow实现
- PCA算法
3、强化学习
- 状态-动作价值函数
- 贝尔曼方差
- 学习状态值函数
- 算法改进