Info

🌱 來自: statistics

Statistical Machine Learning

監督學習

• 1 機器學習及監督學習概論

• 1.1 機器學習

• 1.2 機器學習的分類

• 1.3 機器學習方法三要素

• 1.4 模型評估與模型選擇

• 1.5 正規化與交叉驗證

• 1.6 泛化能力

• 1.7 生成模型與判別模型

• 1.8 監督學習應用

• 2. 感知機

• 2.1 感知機模型

• 2.2 感知機學習策略

• 2.3 感知機學習演算法

• 3. k 近鄰法

• 3.1 k 近鄰演算法

• 3.2 k 近鄰模型

• 3.3 k 近鄰法的實現：kd 樹

• 4. 單純貝氏法

• 4.1 單純貝氏法的學習與分類

• 4.2 單純貝氏法的參數估計

• 5. 決策樹

• 5.1 決策樹模型與學習

• 5.2 特徵選擇

• 5.3 決策樹的生成

• 5.4 決策樹的剪枝

• 5.5 CART 演算法

• 6. 邏輯回歸與最大熵模型

• 6.1 邏輯回歸模型

• 6.2 最大熵模型

• 6.3 模型學習的最佳化演算法

• 7. 支持向量機

• 7.1 線性可分支持向量機與硬間隔最大化

• 7.2 線性支持向量機與軟間隔最大化

• 7.3 非線性支持向量機與核函數

• 7.4 序列最小最佳化演算法

• 8. 提升方法

• 8.1 提升方法AdaBoost 演算法

• 8.2 AdaBoost 演算法的訓練誤差分析

• 8.3 AdaBoost 演算法的解釋

• 8.4 提升樹

• 9. EM 演算法及其推廣

• 9.1 EM 演算法的引入

• 9.2 EM 演算法的收斂性

• 9.3 EM 演算法在高斯混合模型學習中的應用

• 9.4 EM 演算法的推廣

• 10. 隱馬可夫模型

• 10.1 隱馬可夫模型的基本概念

• 10.2 機率計算演算法

• 10.3 學習演算法

• 10.4 預測演算法

• 11. 條件隨機場

• 11.1 機率 ✖ 無向圖模型

• 11.2 條件隨機場的定義與形式

• 11.3 條件隨機場的機率計算問題

• 11.4 條件隨機場的學習演算法

• 11.5 條件隨機場的預測演算法

• 12. 監督學習方法總結

第2篇 無監督學習

• 13. 無監督學習概論

• 13.1 無監督學習基本原理

• 13.2 基本問題

• 13.3 機器學習三要素

• 13.4 無監督學習方法

• 14. 聚類方法

• 14.1 聚類的基本概念

• 14.2 層次聚類

• 14.3 k 均值聚類

• 15. 奇異值分解

• 15.1 奇異值分解的定義與性質

• 15.2 奇異值分解的計算

• 15.3 奇異值分解與矩陣近似

• 16. 主成分分析

• 16.1 整體主成分分析

• 16.2 樣本主成分分析

• 17. 潛在語義分析

• 17.1 單字向量空間與話題向量空間

• 17.2 潛在語義分析演算法

• 17.3 非負矩陣分解演算法

• 18. 機率潛在語義分析

• 18.1 機率潛在語義分析模型

• 18.2 機率潛在語義分析的演算法

• 19. 馬可夫鏈蒙地卡羅法

• 19.1 蒙地卡羅法

• 19.2 馬可夫鏈

• 19.3 馬可夫鏈蒙地卡羅法

• 19.4 Metropolis-Hastings 演算法

• 19.5 吉布斯抽樣

• 20. 潛在狄利克雷分配

• 20.1 狄利克雷分佈

• 20.2 潛在狄利克雷分配模型

• 20.3 LDA 的吉布斯抽樣演算法

• 20.4 LDA 的變分EM 演算法

• 21. PageRank 演算法

• 21.1 PageRank 的定義

• 21.2 PageRank 的計算

• 22. 無監督學習方法總結

• 22.1 無監督學習方法的關係和特點

• 22.2 話題模型之間的關係和特點

• ◎ 第3篇 深度學習

• 23. 前饋神經網路

• 23.1 前饋神經網路的模型

• 23.2 前饋神經網路的學習演算法

• 23.3 前饋神經網路學習的正規化

• 24. 卷積神經網路

• 24.1 卷積神經網路的模型

• 24.2 卷積神經網路的學習演算法

• 24.3 影像分類中的應用

• 25. 循環神經網路

• 25.1 簡單循環神經網路

• 25.2 常用循環神經網路

• 25.3 自然語言生成中的應用

• 26. 序列到序列模型

• 26.1 序列到序列基本模型

• 26.2 RNN Search 模型

• 26.3 Transformer 模型

• 27. 預訓練語言模型

• 27.1 GPT 模型

• 27.2 BERT 模型

• 28. 生成對抗網路

• 28.1 GAN 基本模型

• 28.2 影像生成中的應用

• 29. 深度學習方法複習

• 29.1 深度學習的模型

• 29.2 深度學習的方法

• 29.3 深度學習的最佳化演算法

• 29.4 深度學習的優缺點