第一章、目录
人工智能算法大体上来说可以分类两类:基于统计的机器学习算法(Machine Learning)和深度学习算法(Deep Learning)
1. 机器学习算法
- (1).回归算法
- (2).分类算法
- (3).时序算法
- (4).聚类算法
- (5)降维算法
- (6)概率图模型算法
- (7)文本挖掘算法
- (8)优化算法
2.深度学习算法
3.分布式计算
4.数据结构
5.其他方面
- 5.1模型方面
- (1).模型优化
- (2).数据预处理
- 5.2应用方面
- 对话系统
- 推线系统
- 知识图谱
第二章、机器学习算法
1.分类算法
- (1).LR (Logistic Regression,逻辑回归又叫逻辑分类)
- (2).SVM (Support Vector Machine,支持向量机)
- (3).NB (Naive Bayes,朴素贝叶斯)
- (4).DT (Decision Tree,决策树)
- 1).C4.5
- 2).ID3
- 3).CART
- (5).集成算法
- 1).Bagging
- 2).Random Forest (随机森林)
- 3).GB(梯度提升,Gradient boosting)
- 4).GBDT (Gradient Boosting Decision Tree)
- 5).AdaBoost
- 6).Xgboost
- (6).最大熵模型
2.回归算法
- (1).LR (Linear Regression,线性回归)
- (2).SVR (支持向量机回归)
- (3). RR (Ridge Regression,岭回归)
3.时序算法
- (1).ARIMA
4.聚类算法
- (1).Knn
- (2).Kmeans 算法
- (3).层次聚类
- (4).密度聚类
5.降维算法
- (1).SGD (随机梯度下降)
- (2).
6.概率图模型算法
- (1).贝叶斯网络
- (2).HMM
- (3).CRF (条件随机场)
7.文本挖掘算法
(1).模型
- 1).LDA (主题生成模型,Latent Dirichlet Allocation)
- 4).最大熵模型
(2).关键词提取
- 1).tf-idf
- 2).bm25
- 3).textrank
- 4).pagerank
- 5).左右熵 :左右熵高的作为关键词
- 6).互信息:
(3).词法分析
- 1).分词
- ①HMM (因马尔科夫)
- ②CRF (条件随机场)
- 2).词性标注
- 3).命名实体识别
(4).句法分析
- 1).句法结构分析
- 2).依存句法分析
(5).文本向量化
- 1).tf-idf
- 2).word2vec
- 3).doc2vec
- 4).cw2vec
(6).距离计算
- 1).欧氏距离
- 2).相似度计算
8.优化算法
- (1).正则化
- 1).L1正则化
- 2).L2正则化
第三章、深度学习算法
- (1).BP
- (2).CNN
- (3).DNN
- (3).RNN
- (4).LSTM
第四章、分布式计算
4.1.spark
4.2.hadoop
第五章、数据结构
第六章、其他方面
6.1模型方面
6.1.1.模型优化
- (1).特征选择
- (2).梯度下降
- (3).交叉验证
- (4).参数调优
- (5).模型评估:准确率、召回率、F1、AUC、ROC、损失函数
6.1.2.数据预处理
- (1).标准化
- (2).异常值处理
- (3).二值化
- (4).缺失值填充: 支持均值、中位数、特定值补差、多重插补