关于一个DL／ML（深度学习／机器学习）的学习计划

对于机器学习路线图文章的理解

机器学习路线图

一：机器学习关注的问题

监督学习（有相关的标签）

1:分类问题

2:回归问题

无监督学习

3:聚类问题（没有已知道的标签）

二具体在计算机行业中的问题

1:计算机视觉

2:自然语言处理

3:社会网络分析

4:推荐系统

三：学习的应该具备的基本的素质

数学（微积分，线性代数，概率统计）

英语

机器学习的典型的算法（）

1:处理分类问题的：逻辑回归，支持向量机，随机森林，朴素贝叶斯，深度神经网络

2:回归：线性，最小二成，逐步回归，多元适应性回归

3:聚类：k均值，基于密度聚类，LDA等？？？？

4:降维：主成分分析，奇异值分解

5:推荐系统：协同过滤

6:模型融合和提升，bagging,adaboost,GBDT,GBRT

关于算法的解释，其中编程语言中的算法是关心的是它的时空复杂度

机器学习中的算法是关心的是他的准确度和他的精确度召回率等

编程语言

java

python(keras,tf,thenora,skikit-learn)

R

c++

关于数据集

有鸢尾花

有mins

cira-10,caifa-100