机器学习算法
数学基础
- 函数介绍
- 向量
- 矩阵与张量
- 特征值和特征向量
- 奇异值分解
- Jacobian 和Hessian矩阵
- 凸函数
- 概率问题
- 独立性随机变量
- 期望、方差和协方差
- 联合概率
- 分布
- 有监督学习
- 损失函数
- 梯度下降
- 牛顿法
- 有参数和无参数模型
- KNN介绍
- 距离测算
- 朴素贝叶斯
决策树
- 决策树简介
- 信息熵
- ID3算法
- C4.5算法
- 决策树节点的划分
- CART树
- Bagging
- Boosting
- Gradient Boosting
线性模型
- 线性模型
- 最小二乘法
- 线性分类器
- 极大似然
- 逻辑回归
- 岭回归
- LASSO
- 优化方法
核方法
- 拉格朗日乘子法
- 最大间隔
- 拉格朗日对偶问题
- 支持向量机
- 线性划分
统计学习
- 贝叶斯公式
- 隐含变量和概率模型
- EM算法
- 琴生不等式
- 高斯混合模型
- 隐式尔可夫模型
- 隐式尔可夫模型在NLP中的应用
- 高维下的高斯模型
- 主题模型
- Dirichlet分布
无监督学习
- K-means算法
- 密度聚类DBSCAN
- PCA降维
- SVD降维
- isomap
流式学习
- 局部线性嵌入
- 分布随机领域嵌入
神经网络
- 神经网络简介
- 反向传播
- CNN
- RNN
- LSTM
强化学习
- List item
- List item
迁移学习
- List item