-
必备知识
1. 概率论基础 2. 信息论基础(熵) 3. 损失函数、中心极限定理、大数定律 4. 评价指标 5. 特征工程 6. L1,L2 (解空间、先验分布) 7. 邻近性度量 8. 模型调优方法 9. 凸优化、拉格朗日对偶、KKT 条件 10. 激活函数 11. 梯度消失、爆炸 12. 正态分布、最小二乘法 13. 方差与偏差 14. MSE、交叉熵 15. 最大似然估计、最大后验估计 16. 偏度、峰度 -
机器学习 - 有监督
1. 机器学习 - 总述 2. 线性回归 3. Logistic 回归 4. KNN ,偏差与方差 5. 感知器 6. 支持向量机 (SVM) 7. 最大熵模型 8. 决策树 (ID3、C4.5、剪枝) 9. CART 及与 ID3、C4.5的比较 10. 集成方法 (Bagging、Boosting) 11. 提升树(BT,GBDT) 12. Xgboost 以及与 GBDT 的比较 13. 随机森林与 AdaBoost 14. 朴素贝叶斯 15. 隐马尔科夫模型(HMM) 16. 条件随机场 (CRF) 17. 期望最大(EM、混合模型) 18. 有监督方法总结 -
机器学习 - 无监督
1. K-Means,KM++,ISOData 2. 层次、密度、图论 3. ICA 独立成分分析 4. PCA 主成分分析 5. SVD 奇异值分解 6. 无监督方法总结 -
推荐系统
1. 相似度 2. 协同过滤 3. 冷启动问题 4. 5. 6. -
深度学习
1. 深度学习-总述 2. 深度学习训练技巧 3. 卷积神经网络(CNN) 4. 循环神经网络 (RNN) 5. 长短时记忆 (LSTM) 6. 递归神经网络 (RNN) 7. BatchNormalization (BN) 8. Dropout 9. 参数初始化方法 10. 深度残差网络 11. 生成式对抗网络 (GAN) 12. 强化学习 (RL) 13. Transformer - Attention -
自然语言处理
1. 自然语言处理 (NLP) - 总述 2. 词袋模型、N-gram 3. 基于频次的文本数值化 4. 词嵌入模型 CBOW、Skip-Gram 5. 层次Softmax、负采样 -
优化算法
1. 梯度下降与反向传播 2. BGD、SGD、MBGD 3. 牛顿法与拟牛顿法 4. Adagrad、RMSprop、Adam 5. Momentum、Nesterov -
采样算法
1. 样本不均衡、数据不足 2. 数据划分方法 3. 重要性采样 4. 高斯分布采样 5. 贝叶斯网络的采样 6. 马尔科夫-蒙特卡洛采样 7. 拒绝采样 -
Python
1. 魔术方法 2. 序列数组 3. 字典 and 集合 4. 散列表 5. 多线程、多进程、进程池 6. One-Hot 编码实现 7. 序号、二进制编码实现 8. 决策树的可视化 -
数据结构算法
1. 冒泡排序 2. 快速排序 3. 堆排序 -
其他
GoWeiXH:本博客内容导航
最新推荐文章于 2019-05-19 08:49:35 发布