人工智能学习路径

一、数学基础

  • 数据分析
1)常数e
2)导数
3)梯度
4)Taylor
5)gini系数
6)信息熵与组合数
  • 概率论
1)概率论基础
2)古典模型
3)常见概率分布
4)大数定理和中心极限定理
5)协方差(矩阵)和相关系数
6)最大似然估计和最大后验估计
  • 线性代数与矩阵
1)线性空间及线性变换
2)矩阵的基本概念练
3)状态转移矩阵
4)特征向量
5)矩阵的相关乘法
6)矩阵的QR分解
7)对称矩阵、正交矩阵、正定矩阵
8)矩阵的SVD分解
9)矩阵的求导
10)数据白化及其应用

二、Python基础

  • Python基础语法
1)变量
2)数据类型
3)列表
4)元组
5)字典
6)控制语句
7)循环语句
8)函数
9)类对象
  • Python常用库
1)numpy:
  用Numpy创建数组并查看其属性Numpy的基本运算Numpy的基本函数索引,切片和迭代形状操作深拷贝广播法则

2)pandas:
  Series的创建和基本的操作DataFrame的创建和基本的操作Panel的创建和基本的操作用Pandas常用函数查看和操作数据

3)scipy:
  基本可以代替Matlab的工具包,方便、易于使用、专为科学和工程设计的Python工具包.它包括统计,优化,整合,线性代数模块,傅里叶变换,信号和图像处理,常微分方程求解器等

4)matplotlib:
  Python中最著名的绘图系统
  散点图,折线图,条形图,直方图,饼状图,箱形图的绘制
  坐标轴的调整,添加文字注释,区域填充,及特殊图形patches的使用

5)seaborn:
  在matplotlib的基础上进行了更高级API的封装,从而使得作图变得更加容易。

6)time
  Python 时间模块常用函数
  • Python机器学习模块
Scikit-Learn

三、机器学习

  • 机器学习
1)机器学习概述
2)定义问题
  • 数据预处理
1)特征抽取
2)特征转换
3)归一化
  • 线性回归算法
1)线性回归
2)Ridge岭回归
3)Lasso回归
4)Elastic Net算法
  • KNN K近邻算法
1)KNN算法原理
2)KNN算法应用
  • 逻辑回归算法
1)sigmoid函数
2)逻辑回归的损失函数
3)逻辑回归的优化
4)逻辑回归的多分类问题
5)Softmax回归多分类
  • 梯度下降算法
1)批量梯度下降
2)随机梯度下降
3)mini-batch梯度下降
  • 牛顿法与拟牛顿法
1)牛顿法求函数根
2)牛顿法求解函数最优化问题
3)拟牛顿法—L-BFGS
  • 决策树算法
1)决策树的简介
2)CART、ID-3、C4.5
3)gini系数
4)信息增益
5)信息增益率
6)叶子节点的表达
7)回归树
8)预剪枝和后剪
  • Bagging集成算法
1)bootstrap
2)随机森林
  • Adaboost算法
1)Adaboost算法流程
2)Adaboost算法损失函数优化
  • GBDT算法
1)函数空间梯度下降
2)GBM框架
3)GBDT算法解决回归问题
  • XGboost和lightGBM算法
1)目标函数的建立
2)子树的分裂条件
3) 子树叶子节点的表达
4)与传统GBDT的比较
  • 支持向量机
1)线性可分支持向量机
2)软间隔支持向量机
3)核函数方法
4)SMO算法
5)SVM回归SVR和分类SVC
  • 聚类算法
1)各种相似度距离测度方法
2)K-Means算法
3)K-Means算法优缺点
4)密度聚类
5)层级聚类
6)谱聚类
  • PCA主成分分析算法
1) 方差最大化投影
2) 矩阵的特征值与特征向量
3) PCA降维
  • LDA降维
1) LDA投影标准
2) LDA降维算法
  • MDS降维算法
1) 基于空间距离保持的方法
2) MDS算法原理
  • ISO-map降维算法
1) 近似测地距离的计算
2) 最短路径距离算法
3) ISO-map算法原理
  • LLE算法
1) 数据点的局部线性关系
2) LLE算法原理
  • SVD奇异值分解算法
1) 方阵的特征值分解
2) 矩阵的奇异值分解
3) 左右奇异向量
4) 推荐系统应用
  • ALS矩阵分解算法
1) 矩阵分解的另一种方式
2) 评估近似矩阵的方法
3) ALS矩阵分解
  • FM 因子分解机
1) FM模型介绍
2) FM算法详解
  • 朴素贝叶斯算法
1)朴素贝叶斯
2)文本分类上的应用
  • 贝叶斯网络
1) 有向概率图模型
2) 生成模型
3) 贝叶斯网络联合分布的表达
4) 贝叶斯网络性质
  • 隐马尔可夫模型
1)隐马可夫模型的基本概念
2)概率计算问题
3)前向/后向算法
4)维特比算法
  • 最大熵模型
1) 随机变量的熵、联合熵、相对熵、互信息
2) 最大熵原理
3)最大熵模型的学习
4)最大似然估计
5)模型学习的最优化算法
  • 神经网络
1) 前向传播
2) 反向传播
3) 激活函数
4) 梯度弥散/消失
5) 参数初始化
6) 多层感知机

四、深度学习

  • 深度学习Tensorflow基础
1)TensorFlow框架特性与安装
2)Tensorflow编程基础
  • 深度神经网络DNN
Tensorflow深度神经网络实现
  • 卷积神经网络CNN
1)Tensorflow卷积神经网络实现
2)Tensorflow实现经典AlexNet模型
3)Tensorflow实现经典VGG模型
  • 循环神经网络RNN
1) BasicRNNCell
2) GRU单元
3) LSTM单元
  • 自编码器AutoEncoder
1) Tensorflow 自编码网络实现
  • 对抗生成网络 GAN
1) 深度卷积生成网络DCGAN
  • Tensorflow框架进阶
1)Tensorflow源代码解析
2)Tensorboard可视化
  • Word2Vec词向量算法
1) CBOW模式
2) Skip-Gram模式
3) Tensorflow实现Word2Vec词向量算法
  • Keras框架
1)Keras简介及Keras中的数据处理
2)Keras中的模型
3)Keras中的重要对象
4)Keras中的网络层构造

你可能感兴趣的:(人工智能学习路径)