速通機(jī)器學(xué)習(xí)

第1章　數(shù)據(jù)的量化和特征提取
1.1　機(jī)器學(xué)習(xí)概述
1.2　特征提取
1.3　向量距離計(jì)算
第2章　線(xiàn)性回歸
2.1　線(xiàn)性回歸的基本概念
2.2　損失函數(shù)和梯度下降法
2.3　訓(xùn)練集和測(cè)試集
2.4　多項(xiàng)式回歸
2.5　線(xiàn)性回歸的高級(jí)技巧
第3章　邏輯回歸
3.1　邏輯回歸的基本原理
3.2　交叉熵與KL距離
3.3　線(xiàn)性不可分及其解決方案
3.4　L1正則和L2正則
3.5　分類(lèi)模型的評(píng)價(jià)標(biāo)準(zhǔn)
3.6　邏輯回歸的特征提升技巧
3.7　深入理解損失函數(shù)和邏輯函數(shù)
第4章　因子分解模型
4.1　基本原理和特征交叉
4.2　因子分解模型和矩陣分解
第5章　經(jīng)典分類(lèi)模型
5.1　支持向量機(jī)
5.2　核方法
5.3　樸素貝葉斯
5.4　維數(shù)災(zāi)難
5.5　奧卡姆剃刀定律的應(yīng)用
5.6　經(jīng)驗(yàn)風(fēng)險(xiǎn)、期望風(fēng)險(xiǎn)和結(jié)構(gòu)風(fēng)險(xiǎn)
第6章　無(wú)監(jiān)督學(xué)習(xí)
6.1　K-Means聚類(lèi)
6.2　主題模型
第7章　集成學(xué)習(xí)
7.1　決策樹(shù)
7.2　隨機(jī)森林
7.3　GBDT
第8章　深度神經(jīng)網(wǎng)絡(luò)
8.1　神經(jīng)網(wǎng)絡(luò)的基本原理
8.2　多分類(lèi)與Softmax函數(shù)
8.3　梯度下降法和鏈?zhǔn)椒▌t
8.4　度量學(xué)習(xí)
第9章　神經(jīng)網(wǎng)絡(luò)調(diào)優(yōu)
9.1　激活函數(shù)選型
9.2　權(quán)重初始化
9.3　改進(jìn)型梯度下降法
9.4　過(guò)擬合解決方案
第10章　自然語(yǔ)言處理
10.1　自然語(yǔ)言處理模型
10.2　one-hot編碼和embedding技術(shù)
10.3　哈夫曼樹(shù)和負(fù)采樣
10.4　Word2vec的應(yīng)用
10.5　fastText模型的原理及應(yīng)用
第11章　卷積神經(jīng)網(wǎng)絡(luò)
11.1　卷積層和池化層
11.2　卷積神經(jīng)網(wǎng)絡(luò)在圖像處理中的應(yīng)用
11.3　卷積神經(jīng)網(wǎng)絡(luò)中的批標(biāo)準(zhǔn)化
11.4　TextCNN的原理及應(yīng)用
第12章　深入卷積層
12.1　1×1卷積核
12.2　小卷積核
12.3　寬度卷積和Inception
12.4　Depthwise卷積和Pointwise卷積
12.5　特征通道加權(quán)卷積
第13章　循環(huán)神經(jīng)網(wǎng)絡(luò)和LSTM模型
13.1　循環(huán)神經(jīng)網(wǎng)絡(luò)模型詳解
13.2　LSTM模型詳解
13.3　LSTM模型的改進(jìn)和應(yīng)用
13.4　CTC算法
第14章　Attention模型和Transformer模型
14.1　Attention模型詳解
14.2　Transformer模型原理
14.3　BERT模型及應(yīng)用