機器學習前期知識點整理(已停更)

一、貝葉斯公式
二、後驗概率，最大後驗概率
三、激活函數（rule，sigmid，tanh）
四、BP算法思想
五、損失函數（均方誤差mse、自定義損失函數、交叉熵）
六、K近鄰算法（曼哈頓距離、歐式距離、夾角餘弦、卡爾德相似係數、卡爾頓距離【決策規則——多數表決法、加權表決法】）
七、矩陣分解 (MF)
八、正則化（L1、L2正則化）
九、過擬合與欠擬合
十、神經網絡（NN），反向BP
十一、動量因子
十二、BPR
十三、CNN
十四、多層感知機（MLP）
十五、基於用戶的協同過濾
十六、基於物品的協同過濾（ItemCF）
十七、KNN算法（分類）
十八、K—means算法（聚簇）
十九、監督學習與無監督學習
二十、梯度下降（GD）
二十一、預測評價指標（RMSE，MSE，MAPE）
二十二、準確率、召回率