学习 / 更博 内容列出

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/weixin_37352167/article/details/84931758

• 机器学习（深入）

  1. 机器学习 - 概述	2. 模型调优方法	3. 评价指标	4. 损失函数、中心极限定理，大数定律
  5. 特征工程	6. 数据划分（K-Fold、Bootstrap）	7. 线性回归（最小二乘法）	8. L1，L2 （解空间、先验分布）
  9. Logistic 回归	10. KNN ，偏差与方差	11. K-Means，K-Means++，ISOData	12. 朴素贝叶斯
  13. 贝叶斯网络	14. 最大熵模型	15. 决策树（ID3、C4.5、剪枝）	16. CART，及与ID3、C4.5的比较
  17. 感知器	18. 凸优化、拉格朗日对偶、KKT 条件	19. 支持向量机（SVM）	20. 集成方法（Bagging、Boosting）
  21. 提升树（BT，GBDT）	22. Xgboost 以及与 GBDT 的比较	23. 随机森林与 AdaBoost	24. 隐马尔科夫模型（HMM）
  25. 条件随机场（CRF）	26. EM 与高斯混合模型	27. 聚类算法（层次、密度、图论）	28.各机器学习方法特点总结

• 优化算法（深入）

  1. 梯度下降与反向传播	2. Adam，AdaGrad，Nadam	3. 牛顿法与拟牛顿法	4. 改进的迭代尺度算法
  5. 最大似然估计 and 最大后验估计

• 数据结构算法（每日）

  1. 交换排序算法	2. 查找算法	3. 剑指 Offer	4. 牛客刷题（第 41 天）
  5. Leetcode 刷题（完成 6 道）

• 深度学习（理解）

  1. 多种激活函数	2. 卷积神经网络	3. 深度残差网络	4. 循环神经网络（RNN，LSTM，Seq2Seq）
  5. 生成式对抗网络	6. 强化学习	7. 框架二选一（PyTorch，TensorFlow）	8. BatchNormalization

• 推荐算法（了解）

  1. 基于用户、物品、内容的协同过滤	2. 基于社交网络、人口地图的推荐	3. 基于上下语境的推荐	4. 冷启动
  5. 邻近性的度量

• 采样算法（了解）

  1. 样本不均衡 and 数据不足处理办法	2. 拒绝采样	3. 重要性采样	4. 高斯分布采样
  5. 贝叶斯网络的采样	6. 马尔科夫-蒙特卡洛采样

• 大数据（粗略）

  1. Spark	2. Hadoop	3. Linux

• 其他

  1. 概率论基础	2. 信息论基础（熵）	3. 树的可视化	4. PCA、SVD、ICA
  5. Git 版本控制	6. 主题模型（LDA）	7. Word2Vec、Skip-Gram	8. 异常值检测