幂次学院第二期西瓜集训营课程知识体系梳理
幂次学院第二期
西瓜集训营课程笔记梳理
课程介绍
覆盖数学基础、经典机器学习算法、机器学习理论、机器学习前沿、机器学习实战
基础：线性代数、概率论、数字信号处理等
一、人工智能理论与实战
| (选修)章节 | 内容 | 笔记 | 扩展补充 |
|---|---|---|---|
| Part1 课程简介与机器学习发展史 | |||
| Part2 线性代数基础 | |||
| chapter1 线性代数(一) | |||
| chapter2 线性代数(二) | |||
| chapter3 线性代数(三) | |||
| chapter4 线性代数(四) | |||
| chapter5 线性代数(五) | |||
| Part3 概率论基础 | |||
| chapter1 概率论(一) | |||
| chapter2 概率论(二) | |||
| chapter3 概率论(三) | |||
| chapter4 概率论(四) | |||
| Part4 Visual Studio Code使用 | |||
| （必修）章节 | 内容 | 笔记 | 扩展阅读 |
|---|---|---|---|
| 一、机器学习简介 | 引言、基本术语、假设空间、 归纳偏好、发展历程、应用现状 |
Note1 | |
| 二、模型评估与选择 | 经验误差与过拟合、评估方法、 性能度量与比较检验 |
Note2 | |
| 三、线性模型 | 基本形式、线性回归、 对数几率回归、线性判别分析、 多分类学习、类别不平衡问题 |
Note3 | |
| 四、决策树 | 基本流程、划分选择、 剪枝处理、连续与缺失值、 多变量决策树 |
Note4 | |
| 五、神经网络 | 神经元模型、感知机与多层网络、 误差逆传播算法、全局最小与局部极小、 其他常见神经网络、深度学习 |
Note5 | |
| 六、支持向量机 | 间隔与支持向量、对偶问题、 核函数、软间隔与正则化、 支持向量回归、核方法 |
Note6 | |
| 七、贝叶斯分类器 | 贝叶斯决策论、极大似然估计、 (半)朴素贝叶斯分类器、贝叶斯网、 EM算法 |
Note7 | |
| 八、集成学习模型 | 个体与集成、Boosting、 Bagging与随机森林、 结合策略、多样性 |
Note8 | |
| 九、聚类 | 聚类任务、性能度量、 距离计算、原型聚类、 密度聚类、层次聚类 |
Note9 | |
| 十、降维与度量学习 | K近邻学习、低维嵌入、 主成分分析、核化线性降维、 流形学习、度量学习 |
Note10 | |
| 十一、特征选择与稀疏学习 | 子集搜索与评价、过滤式选择、 包裹式选择、嵌入式选择与L_1正则化、 稀疏表示与字典学习、压缩感知 |
Note11 | |
| 十二、计算学习理论 | 基础知识、PAC学习、 有限假设空间、VC维、 Pademacher复杂度、稳定性 |
Note12 | |
| 十三、半监督学习 | 未标记样本、生成式方法、 半监督SVM、图半监督学习、 基于分歧的方法、半监督聚类 |
Note13 | |
| 十四、概率图模型 | 隐马尔可夫模型、马尔可夫随机场、 条件随机场、学习与推断、 近似推断、话题模型 |
Note14 | |
| 十五、规则学习 | 基本概念、序贯覆盖、 剪枝优化、一阶规则学习、 归纳逻辑程序设计 |
Note15 | |
| 十六、强化学习 | 任务与奖赏、K-摇臂赌博机、 有模型学习、免模型学习、 值函数近似、模仿学习 |
Note16 | |
| 十七、增量学习 | 被动攻击学习、适应正则化学习、 增量随机森林 |
Note17 | |
| 十八、迁移学习 | 迁移学习简介、迁移学习的分类方法、 代表性研究成果 |
Note18 | |
| 十九、主动学习 | 主动学习简介、主动学习思想、 主动学习VS半监督学习及Self_Learning |
Note19 | |
| 二十、多任务学习 | 使用最小二乘回归、分类的多任务学习 | Note20 | |
| 二十一、机器学习应用场景介绍 | 机器学习经典应用场景， 头脑风暴：挖掘身边的应用场景 |
Note21 | |
| 二十二、数据预处理 | 数据降噪、数据分割 | Note22 | |
| 二十三、特征提取 | 时域特征、频域特征、 自动特征提取 |
Note23 | |
| 二十四、机器学习项目实战1 | 使用机器学习分类、机器学习调参、 分类结果展示 |
Note24 | |
| 二十五、机器学习项目实战2 | 020优惠券使用预测、 鲍鱼年龄预测、 机器恶意流量识别、 根据用户轨迹进行精准营销、 根据搜狗输入进行 |
Note25 | |
二、python基础与数据分析
| 章节 | 内容 | Notes |
|---|---|---|
| Part1 Python简介 | ||
| chapter1 为什么使用Python | ||
| chapter2 Python环境配置(Anaconda) | ||
| Part2 Python语法基础 | ||
| chapter3 预备知识与开始前的准备 | ||
| chapter4 Python基本语法 | ||
| chapter5 Python数据类型 | (包括字符串、列表、元组、字典) | |
| chapter6 Python数据运算 | ||
| chapter7 Python流程控制 | (条件语句、循环语句(while循环语句、for循环语句)、循环嵌套) | |
| chapter8 Python函数设计 | ||
| chapter9 Python编程库(包)的导入 | ||
| chapter10 Python文件输入输出 | ||
| chapter11 Python基础综合实践 | ||
| Part3 Python数据分析 | ||
| chapter12 Python数据分析工具简介 | ||
| chapter13 Python挖掘建模 | (定义挖掘目标，数据取样， 数据探索，数据预处理， 挖掘建模，模型评价) | |
| chapter14 Python主要数据探索函数 | (基本统计特征函数，扩展统计特征函数，统计作图函数) | |
| chapter15 Python主要数据预处理函数 | ||
| chapter16 Python挖掘建模 | (Python分类预测模型，Python主要聚类分析算法，Python主要时序模型算法) | |
| chapter17 MNIST手写体数字图片识别 |