关于一个DL/ML(深度学习/机器学习)的学习计划

对于机器学习路线图文章的理解

机器学习路线图


一:机器学习关注的问题

监督学习(有相关的标签)

1:分类问题

2:回归问题

无监督学习

3:聚类问题(没有已知道的标签)

二具体在计算机行业中的问题

1:计算机视觉

2:自然语言处理

3:社会网络分析

4:推荐系统

三:学习的应该具备的基本的素质

数学(微积分,线性代数,概率统计)

英语

机器学习的典型的算法()

1:处理分类问题的:逻辑回归,支持向量机,随机森林,朴素贝叶斯,深度神经网络

2:回归:线性,最小二成,逐步回归,多元适应性回归

3:聚类:k均值,基于密度聚类,LDA等????

4:降维:主成分分析,奇异值分解

5:推荐系统:协同过滤

6:模型融合和提升,bagging,adaboost,GBDT,GBRT




关于算法的解释,其中编程语言中的算法是关心的是它的时空复杂度

机器学习中的算法是关心的是他的准确度和他的精确度召回率等



编程语言

java

python(keras,tf,thenora,skikit-learn)

R

c++



关于数据集

有鸢尾花

有mins

cira-10,caifa-100


发布了43 篇原创文章 · 获赞 6 · 访问量 1万+

猜你喜欢

转载自blog.csdn.net/GP0000968523/article/details/78008946
今日推荐