主题 |
内容
|
机器学习概要 |
a) 什么是机器学习 & 与传统软件开发的异同
b) 机器学习的分类和特点
c) 机器学习可以解决的问题和应用现状
|
广义线性模型 |
a) 感知器模型 Perceptron
b) 线性神经元 Linear Neuron / Adaline
c) 逻辑回归 Logistic Regression
d) 误差曲面和三种梯度下降算法 Gradient Descendent
|
经典概率模型 |
a) 朴素贝叶斯 Na?ve Bayes |
决策树及其组合模型
Ensemble Models |
a) 决策树 Decision Tree: ID3 & CART
b) 随机森林 Random Forest
c) 自适应增强算法 Adaptive Boosting (AdaBoost)
d) 梯度增强决策树 Gradient Boost Decision Tree (GBDT) |
非监督学习模型
Unsupervised Learning |
a) 聚类 Clustering: K- ‐Means, Hierarchy
b) 降维 Dimension Reduction
i. 主成分分析 Principle Component Analysis
ii. 奇异值分解 Singularity Decomposition c) 关联规则
i. Apriori 关联分析
ii. FP- ‐growth 频率项集 |
人工神经元网络
Artificial Neural Networks |
a) 神经元网络架构
b) 向后传播训练算法 Backpropagation
c) 多层感知器网络 Multiple- ‐Layer Perceptron (MLP)
d) 深度学习神经网络介绍
i. 卷积神经网络 CNN
ii. 循环神经网络 RNN 及其应用 1. 长短记忆神经网络 LSTM
2. 受限玻尔兹曼机 Restricted Boltzmann Machine
3. 深度置信网络 Deep Belief Net
4. Deep Autoencoder |
