人工智能 学习路线

一、人工智能开发入门

Python编程

• 基本语法
• 数据结构
• 函数
• 面向对象
• 多任务
• 模块与包
• 闭包
• 装饰器
• 迭代器

Numpy矩阵运算

• Nadrray
• Scalars
• Boradcasting
• 矩阵运算
• 矩阵转置
• 矩阵求逆

Scipy数值运算库

• Scipy基本使用
• Scipy常量
• Scipy稀疏矩阵
• Scipy图结构
• Scipy空间
• Scipy插值

Pandas数据科学库

• 自带数据结构
• 数据读取写入
• 数据清洗
• 数据计算
• 数据合并
• 数据排序

Matplotlib

• 基础图表
• Annotation
• Figure
• 子图
• Legend

Seaborn

• 数据关系图
• 数据分布图
• 类别图
• 回归图
• 矩阵图
• 多变量关系

PyEcharts

• 基本使用
• 图表API
• 组合图表
• 其他资源
• 图表类型
• Web框架整合

二、机器学习核心技术

Scikit Learn

• 聚类算法API
• 数据预处理
• 分类算法API
• 回归算法API

分类算法

• 决策树
• KNN
• Adaboost
• 随机森林
• 逻辑回归
• 朴素贝叶斯
• GBDTX
• Gboost
• LightGBM

回归算法

• 线性回归
• Lasso回归
• 决策树回归
• 随机森林回归
• XGboost回归

聚类算法

• KMeans
• KMeans++
• GMM
• 基于层次聚类
• 基于密度聚类
• DBSCAN

属性降维

• 属性降维
• 特征选择
• 因子分析
• PCA
• ICA
• LDA

模型选择

• Metrics
• Scoring模型得分
• Grid search 网格搜索
• Cross Validation 交叉验证
• Hyper-Parameters 超参数选择
• Validation curves 模型验证曲线

特征工程

• Standardization标准化
• Scaling Features归一化
• Non-linear transformation非线性转化
• Gaussian distribution高斯分布转化
• Normalization正则化
• Encoding categorical features类别性编码处理

三、深度学习核心技术

人工神经网络

• 损失函数
• 激活函数
• Back Propagation
• 优化方法及正则化

BP神经网络

• 网络基本结构
• 正向计算
• 链式法则
• 权重更新
• Sigmoid函数
• 梯度消失/爆炸
• Batch Normalization

CNN卷积神经网络

• 局部感受野
• 权值共享
• DropOut
• 卷积层
• 池化层
• 全连接层

RNN循环神经网络

• 梯度裁剪
• 双向长短时记忆网络（BiLSTM）
• 长短时记忆网络（LSTM）
• 门控神经网络(GRU)

四、NLP自然语言处理技术

Pytorch编程

• 定义损失函数
• 自动微分功能
• 定义优化器
• 定义模型结构

传统序列模型

• 隐马尔科夫模型
• 条件随机场
• 原理与实践
• CRF与HMM区别

Transfomer原理

• 编码器
• 解码器
• 注意力机制
• 语言模型
• 模型超参数
• 模型验证

文本预处理

• 文本处理基本方法
• 文本张量表示方法
• 文本语料数据分析
• 数据增强方法
• 命名实体识别
• Word Embedding词嵌入

RNN及变体

• 传统RNN
• LSTM
• Bi-LSTM
• GRU
• Bi-GRU
• Seq2Seq

迁移学习

• FastText
• 预训练模型
• Google BERT
• GPT
• GPT-2
• 权重微调

五、CV计算机视觉技术05

OpenCV图像处理

• 读写图像
• 灰度变换
• 几何变换
• 形态学
• 纹理分割
• 视频操作
• 边缘检测技术
• 特征检测和描述

Tensorflow编程

• 张量
• 变量
• 高阶API
• tf.data
• tf.keras

目标分类

• 卷积计算方法
• 多通道卷积
• AlexNet
• VGG
• ResNet残差网络
• ImageNet分类

目标检测

• RCNN
• FPN
• SSD
• ROI Pooling
• FasterRCNN
• 非极大抑制NMS

目标分割

• 全卷积
• ROI Align
• DeepLab
• MaskRCNN
• 金字塔池化模块
• 语义分割评价标准