暑期总结
- 机器学习
-
线性回归,逻辑回归,无监督学习,决策树,概率图的学习。
-
科学计算:NumPy,pandas,matplotlib的学习
-
线性回归:正规方程,多元线性,高斯分布,梯度下降(BGD,MBGD,SGD),归一化,正则化,弹性网络,Lasso套索回归,Ridge岭回归,多项式回。
-
逻辑回归:逻辑斯蒂回归,Sigmoid函数,多分类,SVM支持向量机,核函数的选择(linear,rbf,poly)
-
无监督学习:聚类算法,Kmeans,DBSCAN,分层聚类,降维算法,PCA,LDA,MNF,EM,GMM
-
决策树:分裂指标,决策分类树,决策回归树,集成算法(Bagging,Boosting),随机森林,极限森林,交叉熵信息熵,GBDT梯度提升分类树,GBDT回归树,Adaboost梯度提升树,Adaboost多分类,Adaboost回归,Xgboost树
-
概率图:贝叶斯,朴素贝叶斯,贝叶斯网络,HMM隐马尔科夫,维特比算法,CRF条件随机场,马尔科夫Markov,隐马尔可夫HMM
-
第一遍学习主要学习的是算法原理,数学推导,被封装的代码以及对于分类与回归应用问题的典型步骤的学习
- 数据结构
- 顺序表,链表,栈和队列以及树的简单学习
学期计划
- 第一遍对机器学习只是有了了解,第二遍深入机器学习的内容
- 对工业蒸汽项目,电商项目(京东及天猫复购预测,用户评论情感分析)进行分析评测,以及Kaggle实战
- 学习算法以及算法刷题
- 跟着学校进度学习数据库