機器學習(深度學習)算法和應用培訓大綱
機器學習概要
1) 什么是機器學習 & 與傳統軟件開發的異同
2) 機器學習的分類和特點
3) 機器學習可以解決的問題和應用現狀
廣義線性模型
1) 感知器模型 Per3eptron
2) 線性神經元 L1ne1r Neuron / 141l1ne
3) 邏輯回歸 Log1st13 Regress1on
4) 誤差曲面和三種梯度下降算法 Gr141ent 4es3en4ent
經典概率模型
1) 樸素貝葉斯 N1?ve 21yes
決策樹及其組合模型
Ensem2le Mo4els
1) 決策樹 4e31s1on Tree: 143 & 31RT
2) 隨機森林 R1n4om Forest
3) 自適應增強算法 141pt1ve 2oost1ng (1412oost)
4) 梯度增強決策樹 Gr141ent 2oost 4e31s1on Tree (G24T)
非監督學習模型
Unsuperv1se4 Le1rn1ng
1) 聚類 3luster1ng: K-‐Me1ns, H1er1r3hy
2) 降維 41mens1on Re4u3t1on
1. 主成分分析 Pr1n31ple 3omponent 1n1lys1s
11. 奇異值分解 S1ngul1r1ty 4e3ompos1t1on 3) 關聯規則
1. 1pr1or1 關聯分析
11. FP-‐growth 頻率項集
人工神經元網絡
1rt1f1311l Neur1l Networks
1) 神經元網絡架構
2) 向后傳播訓練算法 213kprop1g1t1on
3) 多層感知器網絡 Mult1ple-‐L1yer Per3eptron (MLP) 4) 深度學習神經網絡介紹
1. 卷積神經網絡 3NN
11. 循環神經網絡 RNN 及其應用 1. 長短記憶神經網絡 LSTM
2. 受限玻爾茲曼機 Restr13te4 2oltzm1nn M13h1ne
3. 深度置信網絡 4eep 2el1ef Net
4. 4eep 1utoen3o4er |