第一板块 人工智能概况
第一周 人工智能基础
- 人工智能
- 数据科学
- 机器学习简介
- 机器学习基本思想
- 模型选择
- 模型泛化性
- 判别模型与生成模型
第二板块:有监督学习
第二周 线性模型
- 线性回归
- 梯度更新方式
- 线性回归矩阵形式
- 泛线性模型
- 最大似然估计
- 逻辑回归
- 分类指标
- 逻辑归回的实践
第三周 支持向量机
- 支持向量机简介
- 支持向量机优化
- 序列最小优化算法
- 支持向量机核方法
第四周 人工神经网络
- 人工神经网络简介
- 人工神经网络发展史
- 普适逼近定理
- 反向传播算法介绍
- 反向传播算法示例
- 激活函数与损失函数
- 深度学习思想简介
- 梯度消失问题的解决方法
- 陷入局部最小值的解决方法
- 深度学习中的正则化
- 卷积神经网络
- 循环神经网络
- 长短期记忆网络
- 长短期记忆网络使用案例
第五周 树模型
- 决策树
- ID3决策树
- CART决策树
- 集成学习概念的应用
- Bagging算法
- Bagging算法有效性分析
第六周 随机森林
- 随机森林
- 广义加性模型
- AdaBoost模型
- 提升算法简史
- BGDT梯度提升决策树
- 深度森林
- 多粒度级联森林
第七周 有监督学习的应用落地
- 学习排序
- 个性化推荐
- K近邻算法
- 基于近邻算法的协同过滤
- 矩阵分解的协同过滤算法
- 基于协同过滤的推荐排序
- 协同过滤深度模型
第三板块 无监督学习
第八周 数学基础理论
- 贝叶斯网络
- 概率图模型中的条件独立
- 马尔科夫网络简介
- 马尔科夫网络应用示例
- 马尔科夫网络vs贝叶斯网络
- 链式模型推断
- 树图模型推断
第九周 无监督学习
- 无监督学习简介
- K-means聚类算法
- 主成分分析
- 混合高斯模型的EM算法
- 通用EM算法
- 生成对抗网络
- 限制玻尔兹曼机简介
- 限制玻尔兹曼机学习算法
- 深度信念网络
- 自动编码器
第十周 学习理论基础
- 学习理论
- 偏差-方差分解
- 假设空间ERM边界
- VC维
- 交叉验证
- 特征选择
第四板块 强化学习
第十一周 强化学习基础
- 强化学习简介
- 马尔科夫决策过程
- 基于动态规划的强化学习
- 基于模型的强化学习
- 时序差分学习
- SARSA
- Q-learning
第十二周 蒙特卡洛方法
- 蒙特卡洛价值预测
- 模型无关控制方法
- 重要性采样
- 参数化价值函数
- 价值函数近似算法
第十三周 参数化的模型
- 策略梯度
- Actor-Critic
- 深度强化学习
- 深度Q网络
- A3C
- 确定性策略梯度
- 深度确定性策略梯度
第四板块 前沿
第十四周 迁移学习
- 迁移学习简介
- 实例迁移
- 特征迁移
- 参数迁移
- 深度实例迁移
- 深度特征迁移
- 深度参数迁移
第十五周 多任务学习
- 多任务学习
- 深度多任务学习
- 自动机器学习与神经网络架构搜索
- 元学习
- 机器学习的未来