機器學習特訓營_1_學習大綱
學習大綱
第一章 機器學習簡介
引言
基本術語
假設空間
歸納偏好
發展歷程
應用現狀
第二章 模型評估與選擇
經驗誤差與過擬合
評估方法
性能度量與比較檢驗
第三章 線性模型
基本形式
線性回歸
對數幾率回歸
線性判別分析
多分類學習
類別不平衡問題
第四章 決策樹
基本流程
劃分選擇
剪枝處理
連續與缺失值
多變數決策樹
第五章 神經網路
神經元模型
感知機與多層網路
誤差逆傳播演算法
全局最小與局部極小
其他常見神經網路
第六章 深度學習
卷積神經網路CNN基本原理
開源深度學習框架與常見卷積網路模型
循環神經網路RNN
生成模型與對抗生成網路
Keras
影像識別
時序模型
自然語言處理
Tensorflow
TFSlim
Tensorlayer
相關分類、檢測和分割的例子
第七章 支援向量機
間隔與支援向量
對偶問題
核函數
軟間隔與正則化
支援向量回歸
核方法
第八章 貝葉斯分類器
貝葉斯決策論
極大似然估計
（半）樸素貝葉斯分類器
貝葉斯網
EM演算法
第九章 集成學習
個體與集成
Boosting
Bagging與隨機森林
結合策略
多樣性
第十章 聚類
聚類任務
性能度量
距離計算
原型聚類
密度聚類
層次聚類
第十一章 降維與度量學習
k近鄰學習
低維嵌入
主成分分析
核化線性降維
流形學習
度量學習
第十二章 特徵選擇與稀疏學習
子集搜索與評價
過濾式選擇
包裹式選擇
嵌入式選擇與L_1正則化
稀疏表示與字典學習
壓縮感知
第十三章 計算學習理論
基礎知識
PAC學習
有限假設空間
VC維
Rademacher複雜度
穩定性
半監督學習
未標記樣本
生成式方法
半監督SVM
圖半監督學習
基於分歧的方法
半監督聚類
概率圖模型
隱馬爾可夫模型
馬爾可夫隨機場
條件隨機場
學習與推斷
近似推斷
話題模型
第十六章 規則學習
基本概念
序貫覆蓋
剪枝優化
一階規則學習
歸納邏輯程式設計
第十七章 強化學習
任務與鑒賞
k-搖臂賭博機
有模型學習
免模型學習
值函數近似
模仿學習
第十八章 增量學習
被動攻擊學習
適應正則化學習
增量隨機森林
第十九章 遷移學習
遷移學習介紹
遷移學習的分類方法
代表性研究成果
第二十章 主動學習
主動學習介紹
主動學習思想
主動學習VS半監督學習及Self-Learning
第二十一章 多任務學習
使用最小二乘回歸
多分類的多任務學習
第二十二章 機器學習應用場景介紹
機器學習應用場景
頭腦風暴：挖掘身邊的應用場景
第二十三章 數據預處理
數據降噪
數據分割
第二十四章 特徵提取
時域特徵
頻域特徵
自動特徵提取
第二十五章 機器學習項目實戰1
使用機器學習分類
機器學習調參
分類結果展示
第二十六章 機器學習項目實戰2
O2O優惠券使用預測
鮑魚年齡預測
機器惡意流量識別
根據用戶軌跡進行精準營銷
根據搜狗輸入進行用戶畫像
美國債務違約預測
