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;