          機器學習算法培訓

機器學習概要

a) 什么是機器學習 & 與傳統(tǒng)軟件開發(fā)的異同b) 機器學習的分類和特點c) 機器學習可以解決的問題和應用現狀

廣義線性模型

a) 感知器模型 Perceptronb) 線性神經元 Linear Neuron / Adalinec) 邏輯回歸 Logistic Regressiond)

誤差曲面和三種梯度下降算法 Gradient Descendent

經典概率模型

a) 樸素貝葉斯 Na?ve Bayes

決策樹及其組合模型Ensemble Models

a) 決策樹 Decision Tree: ID3 & CARTb)

隨機森林 Random Forestc) 自適應增強算法 Adaptive Boosting (AdaBoost)d) 梯度增強決策樹 Gradient Boost Decision Tree (GBDT)

非監(jiān)督學習模型Unsupervised Learning

a) 聚類 Clustering: K-‐Means, Hierarchyb) 降維 Dimension Reductioni.

主成分分析 Principle Component Analysisii.

奇異值分解 Singularity Decomposition c) 關聯(lián)規(guī)則i.

Apriori 關聯(lián)分析ii. FP-‐growth 頻率項集

人工神經元網絡Artificial Neural Networks

a) 神經元網絡架構b)

向后傳播訓練算法 Backpropagationc)

多層感知器網絡 Multiple-‐Layer Perceptron (MLP) d)

深度學習神經網絡介紹i.

卷積神經網絡 CNNii. 循環(huán)神經網絡 RNN 及其應用

1. 長短記憶神經網絡 LSTM2.

受限玻爾茲曼機 Restricted Boltzmann Machine

3. 深度置信網絡 Deep Belief Net4. Deep Autoencoder