人工智能學習大綱
一、基礎部分
1、機器學習入門
2、機器學習入門
- 線性迴歸簡介；
- 迴歸中的損失函數；
- 損失函數的概率解釋；
- 過擬合；
- Scikit-Learn中帶正則的線性迴歸模型；
- 正則的概率解釋；
- 線性迴歸模型解析求解；
- 線性迴歸模型梯度下降法求解；
- 線性迴歸模型座標軸下降求解；
- 迴歸模型性能評價指標；
- 交叉驗證與模型評估；
- 線性迴歸案例分析： Boston房價預測；
- 特徵工程：共享單車騎行量預測；
- Logistic迴歸簡介；
- Logistic損失函數；
- 正則項；
- 牛頓法；
- Logistic迴歸的優化求解；
- 多類分類任務；
- 類別樣本不均衡數據；
- 分類模型評價指標；
- Scikit-Learn中的Logistic迴歸；
- Logistic迴歸案例分析：Otto商品分類；
- 特徵工程：糖尿病發病預測；
- 深度學習歷史與介紹；
- 深度學習解決的問題；
- 感知器介紹；
- 神經網絡的擬合能力；
- 全連接神經網絡介紹；
- 前向傳播；
- 反向傳播；
3、 深度學習基礎算法
- 數據預處理；
- 神經網絡簡介；
- 激活函數；
- Batchnorm；
- Dropout；
- 網絡連接方式；
4、視覺處理與分析
- Ground truth；
- 損失函數；
- 學習率；
- 優化算法；
- 過擬合與欠擬合；
- 正則化；
- 參數的初始化；
- 圖像濾波及去噪；
- 圖像邊緣檢測；
- 直方圖與圖像分割；
- 圖像特徵描述；
- 再論圖像分割；
- 綜合示例；
- 直線檢測；
- HARRIS角點檢測；
- SIFT特徵提取；
- ORB特徵檢測；
- 特徵檢測綜合示例；
- 背景建模；
- 光流估計；
- 綜合示例；
- 視覺編程工具；
二、高級算法
1、機器學習基礎算法（推薦算法方向）
- SVM簡介；
- 帶鬆弛變量的SVM模型: CSVM；
- 對偶問題；
- 核方法；
- 支持向量迴歸：SVR；
- Scikit-Learn中的SVM；
- SVM案例分析：Otto商品分類；
- 決策樹；
- Scikit-Learn中的決策樹模型；
- 決策樹案例分析：Otto商品分類；
- Bagging和隨機森林；
- Scikit-Learn中的隨機森林模型；
- 隨機森林案例分析：Otto商品分類；
- Adaboost；
- GBM；
- Scikit-Learn中的GBM；
- XGBoost原理；
- XGBoost工具包使用指南；
- XGBoost的Scikit-Learn接口；
- XGBoost案例分析：Otto商品分類；
- LightGBM原理；
- LightGBM使用指南；
- LightGBM案例分析：Otto商品分析；
- PCA降維原理；
- Scikit-Learn中的PCA；
- t-SNE；
- Scikit-Learn中的 t-SNE；
- 降維案例分析：Otto商品數據降維分析；
- 聚類簡介；
- KMean聚類算法；
- Scikit-Learn中的 KMean聚類；
- 聚類案例分析：Event聚類；
- 推薦系統簡介；
- 基於內容的推薦；
- 基於用戶的協同過濾；
- 基於物品的協同過濾；
- 基於矩陣分解的協同過濾；
- 協同過濾推薦案例分析：MovieLens電影推薦；
- CTR預估簡介；
- FTRL模型；
- FM與FFM；
- GBDT；
- Wide and Deep Learning模型；
- CTR案例分析：Criteo CTR預估；
2、位姿估計與三維重構（計算機視覺方向）
3、計算機視覺與神經網絡 （計算機視覺方向）
- 座標系與相機模型；
- 相對位姿測量算法；
- 相機標定；
- 極線幾何；
- 立體視覺與三維重構；
- 特徵匹配；
- 卷積和池化；
- 卷積的反向傳播；
- Tensorflow基礎；
- 卷積神經網絡的tensorflow實現；
- 經典卷積神經網絡案例
- Vgg/inception網絡代碼講解；
- 基於slim的神經網模型訓練；
- 分類定位；
- 檢測；
- 檢測模型的訓練與使用；
- 分割；
- 人臉；
- 其他；
- 特徵使用-相似圖；