【精】算法工程师学习线路图，共同进步，随时保持更新

文字版【完成标绿】：

数学基础

1.线性代数基础

• • 一、基本知识
  • 二、向量操作
  • 三、矩阵运算
  • 【2019.5月大学线代部分全部完成】

2.概率论基础

• • 一、概率与分布
  • 二、期望
  • 三、方差
  • 四、大数定律及中心极限定理
  • 五、不确定性来源
  • 六、常见概率分布
  • 七、先验分布与后验分布
  • 八、测度论
  • 九、信息论
  • 【2019.6月大学概率论部分全部完成】

3.数值计算基础

• • 一、数值稳定性
  • 二、Conditioning
  • 三、梯度下降法
  • 四、海森矩阵
  • 四、牛顿法
  • 五、拟牛顿法
  • 六、约束优化
  • 【大二下学习过一次，待复习】

4.常用函数

• • 一、 sigmoid
  • 二、 softplus
  • 三、Gamma 函数和贝塔函数
  • 【花时间系统学习】

统计学习

0.机器学习简介

• • 一、基本概念
  • 二、监督学习
  • 三、机器学习三要素
  • 【理论知识待学习】

1.线性代数基础

• • 一、线性回归
  • 二、广义线性模型
  • 三、对数几率回归
  • 四、线性判别分析
  • 五、感知机
  • 【理论知识待学习】

2.支持向量机

• • 一、线性可分支持向量机
  • 二、线性支持向量机
  • 三、非线性支持向量机
  • 四、支持向量回归
  • 五、SVDD
  • 六、序列最小最优化方法
  • 七、其它讨论
  • 【理论知识待学习】

3.朴素贝叶斯

• • 一、贝叶斯定理
  • 二、朴素贝叶斯法
  • 三、半朴素贝叶斯分类器
  • 四、其它讨论
  • 【理论知识待学习】

4.决策树

• • 一、原理
  • 二、特征选择
  • 三、生成算法
  • 四、剪枝算法
  • 五、CART 树
  • 六、连续值、缺失值处理
  • 七、多变量决策树
  • 【理论知识待学习】

5.knn

• • 一、k 近邻算法
  • 二、kd树
  • 【理论知识待学习】

6.集成学习

• • 一、集成学习误差
  • 二、Boosting
  • 三、Bagging
  • 四、集成策略
  • 五、多样性分析
  • 【理论知识待学习】

7.梯度提升树

• • 一、提升树
  • 二、xgboost
  • 三、LightGBM
  • 【理论知识待学习，现在会使用python调用】

8.特征工程

• • 一、缺失值处理
  • 二、特征编码
  • 三、数据标准化、正则化
  • 四、特征选择
  • 五、稀疏表示和字典学习
  • 六、多类分类问题
  • 七、类别不平衡问题

9.模型评估

• • 一、泛化能力
  • 二、过拟合、欠拟合
  • 三、偏差方差分解
  • 四、参数估计准则
  • 五、泛化能力评估
  • 六、训练集、验证集、测试集
  • 七、性能度量
  • 七、超参数调节
  • 八、传统机器学习的挑战

10.降维

• • 一、维度灾难
  • 二、主成分分析 PCA
  • 三、核化线性降维 KPCA
  • 四、流形学习
  • 五、度量学习
  • 六、概率PCA
  • 七、独立成分分析
  • 八、t-SNE
  • 九、LargeVis

11.聚类

• • 一、性能度量
  • 二、原型聚类
  • 三、密度聚类
  • 四、层次聚类
  • 五、谱聚类

12.半监督学习

• • 半监督学习
  • 二、半监督 SVM
  • 三、图半监督学习
  • 四、基于分歧的方法
  • 五、半监督聚类
  • 六、 总结

深度学习【未学习】

0.深度学习简介

• • 一、介绍
  • 二、历史

1.机器学习基础

• • 一、基本概念
  • 二、点估计、偏差方差
  • 三、最大似然估计
  • 四、贝叶斯估计
  • 五、随机梯度下降
  • 七、传统机器学习的挑战
  • 八、低维流形

2.深度前馈神经网络

• • 一、基础
  • 二、损失函数
  • 三、输出单元
  • 四、隐单元
  • 五、结构设计
  • 六、历史小记

3.反向传播算法

• • 一、链式法则
  • 二、反向传播
  • 三、深度前馈神经网络
  • 四、实现
  • 五、应用
  • 六、自动微分

4.正则化

• • 一、 基本概念
  • 二、 参数范数正则化
  • 三、 约束正则化
  • 四、 数据集增强
  • 五、 噪声鲁棒性
  • 六、 早停
  • 七、参数共享
  • 八、 dropout
  • 九、 稀疏表达
  • 十、 半监督学习与多任务学习
  • 十一、对抗训练
  • 十二、正切传播算法
  • 十三、 正则化和欠定问题

5.最优化基础

• • 一、代价函数
  • 二、神经网络最优化挑战
  • 三、mini-batch
  • 四、基本优化算法
  • 五、自适应学习率算法
  • 六、二阶近似方法
  • 七、 共轭梯度
  • 八、优化策略和元算法
  • 九、参数初始化策略

6.卷积神经网络

• • 一、卷积运算
  • 二、卷积层、池化层
  • 三、基本卷积的变体
  • 四、算法细节
  • 五、历史和现状

7.循环神经网络

• • 一、RNN计算图
  • 二、循环神经网络
  • 三、长期依赖
  • 四、序列到序列架构
  • 五、递归神经网络
  • 六、回声状态网络
  • 七、LSTM 和其他门控RNN
  • 八、外显记忆

8.工程实践指导原则

• • 一、性能度量
  • 二、默认的基准模型
  • 三、决定是否收集更多数据
  • 四、选择超参数
  • 五、调试策略
  • 六、示例：数字识别系统
  • 七、数据预处理
  • 八、变量初始化
  • 九、结构设计

自然语言处理【了解】

主题模型

• • 一、Unigram Model
  • 二、pLSA Model
  • 三、LDA Model
  • 四、模型讨论

词向量

• • 一、向量空间模型 VSM
  • 二、LSA
  • 三、Word2Vec
  • 四、GloVe

计算机视觉【未学习】

图片分类网络

• • 一、LeNet
  • 二、AlexNet
  • 三、VGG-Net
  • 四、Inception
  • 五、ResNet
  • 六、SENet
  • 七、 DenseNet
  • 八、小型网络
  • 九、趋势

工具

CRF

• CRF++
  • 一、安装
  • 二、使用
  • 三、Python接口
  • 四、常见错误

Lightgbm【能够基本使用】

• lightgbm使用指南
  • 一、安装
  • 二、调参
  • 三、进阶
  • 四、API
  • 五、Docker

xgboost【能够基本使用】

• xgboost使用指南
  • 一、安装
  • 二、调参
  • 三、外存计算
  • 四、 GPU计算
  • 五、单调约束
  • 六、 DART booster
  • 七、Python API

scikit-learn

1.预处理

• • 一、特征处理
  • 二、特征选择
  • 三、字典学习
  • 四、PipeLine

2.降维

• • 一、PCA
  • 二、MDS
  • 三、Isomap
  • 四、LocallyLinearEmbedding
  • 五、FA
  • 六、FastICA
  • 七、t-SNE

3.监督学习模型

• • 一、线性模型
  • 二、支持向量机
  • 三、贝叶斯模型
  • 四、决策树
  • 五、KNN
  • 六、AdaBoost
  • 七、梯度提升树
  • 八、Random Forest

4.模型评估

• • 一、数据集切分
  • 二、性能度量
  • 三、验证曲线 && 学习曲线
  • 四、超参数优化

5.聚类模型

• • 一、KMeans
  • 二、DBSCAN
  • 三、MeanShift
  • 四、AgglomerativeClustering
  • 五、BIRCH
  • 六、GaussianMixture
  • 七、SpectralClustering

6.半监督学习模型

• • 一、标签传播算法

 

Spark【未学习】

1.基础概念

• • 一、核心概念
  • 二、安装和使用
  • 三、 pyspark shell
  • 四、独立应用

2.rdd使用

• • 一、概述
  • 二、创建 RDD
  • 三、转换操作
  • 四、行动操作
  • 五、其他方法和属性
  • 六、持久化
  • 七、分区
  • 八、混洗

3.dataframe使用

• • 一、概述
  • 二、SparkSession
  • 三、DataFrame 创建
  • 四、 DataFrame 保存
  • 五、DataFrame
  • 六、Row
  • 七、Column
  • 八、GroupedData
  • 九、functions

4.累加器和广播变量

• • 一、累加器
  • 二、广播变量

numpy

numpy 使用指南

• • 一、 ndarray
  • 二、 ufunc 函数
  • 三、 函数库
  • 四、数组的存储和加载

scipy【未学习】

scipy 使用指南

• • 一、常数和特殊函数
  • 二、拟合与优化
  • 三、线性代数
  • 四、统计
  • 五、数值积分
  • 六、稀疏矩阵

matplotlib【未学习】

matplotlib 使用指南

• • 一、matplotlib配置
  • 二、 matplotlib Artist
  • 三、基本概念
  • 四、布局
  • 五、 Path
  • 六、 path effect
  • 七、坐标变换
  • 八、 3D 绘图
  • 九、技巧

pandas

pandas 使用指南

• • 一、基本数据结构
  • 二、内部数据结构
  • 三、下标存取
  • 四、运算
  • 五、变换
  • 六、数据清洗
  • 七、字符串操作
  • 八、聚合与分组
  • 九、时间序列
  • 十、DataFrame 绘图
  • 十一、移动窗口函数
  • 十二、数据加载和保存

 

 

图片资料版