深度学习之路

版权声明:本文为博主原创文章,遵循 CC 4.0 by-sa 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/xueyepiaoling/article/details/79427051

深度学习需要掌握的基本知识

主题内容

机器学习概要

a) 什么是机器学习 & 与传统软件开发的异同
b) 机器学习的分类和特点
c) 机器学习可以解决的问题和应用现状

广义线性模型

a) 感知器模型 Perceptron
b) 线性神经元 Linear Neuron / Adaline
c) 逻辑回归 Logistic Regression
d) 误差曲面和三种梯度下降算法 Gradient Descendent 

经典概率模型

a) 朴素贝叶斯 Naïve Bayes

决策树及其组合模型 Ensemble Models

a) 决策树 Decision Tree: ID3 & CART
b) 随机森林 Random Forest
c) 自适应增强算法 Adaptive Boosting (AdaBoost)

d) 梯度增强决策树 Gradient Boost Decision Tree (GBDT)

非监督学习模型 Unsupervised Learning

a) 聚类 Clustering: K-­‐Means, Hierarchy
b) 降维 Dimension Reduction
i. 主成分分析 Principle Component Analysis
ii. 奇异值分解 Singularity Decomposition c) 关联规则
i. Apriori 关联分析
ii. FP-­‐growth 频率项集

人工神经元网络 Artificial Neural Networks

a) 神经元网络架构
b) 向后传播训练算法 Backpropagation
c) 多层感知器网络 Multiple-­‐Layer Perceptron (MLP) d) 深度学习神经网络介绍
i. 卷积神经网络 CNN
ii. 循环神经网络 RNN 及其应用 1. 长短记忆神经网络 LSTM
2. 受限玻尔兹曼机 Restricted Boltzmann Machine
3. 深度置信网络 Deep Belief Net
4. Deep Autoencoder


展开阅读全文

没有更多推荐了,返回首页