          機(jī)器學(xué)習(xí)算法培訓(xùn)

機(jī)器學(xué)習(xí)概要

a) 什么是機(jī)器學(xué)習(xí) & 與傳統(tǒng)軟件開(kāi)發(fā)的異同b) 機(jī)器學(xué)習(xí)的分類(lèi)和特點(diǎn)c) 機(jī)器學(xué)習(xí)可以解決的問(wèn)題和應(yīng)用現(xiàn)狀

廣義線性模型

a) 感知器模型 Perceptronb) 線性神經(jīng)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(jīng)典概率模型

a) 樸素貝葉斯 Na?ve Bayes

決策樹(shù)及其組合模型Ensemble Models

a) 決策樹(shù) Decision Tree: ID3 & CARTb)

隨機(jī)森林 Random Forestc) 自適應(yīng)增強(qiáng)算法 Adaptive Boosting (AdaBoost)d) 梯度增強(qiáng)決策樹(shù) Gradient Boost Decision Tree (GBDT)

非監(jiān)督學(xué)習(xí)模型Unsupervised Learning

a) 聚類(lèi) 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(guān)聯(lián)規(guī)則i.

Apriori 關(guān)聯(lián)分析ii. FP-‐growth 頻率項(xiàng)集

人工神經(jīng)元網(wǎng)絡(luò)Artificial Neural Networks

a) 神經(jīng)元網(wǎng)絡(luò)架構(gòu)b)

向后傳播訓(xùn)練算法 Backpropagationc)

多層感知器網(wǎng)絡(luò) Multiple-‐Layer Perceptron (MLP) d)

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)介紹i.

卷積神經(jīng)網(wǎng)絡(luò) CNNii. 循環(huán)神經(jīng)網(wǎng)絡(luò) RNN 及其應(yīng)用

1. 長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò) LSTM2.

受限玻爾茲曼機(jī) Restricted Boltzmann Machine

3. 深度置信網(wǎng)絡(luò) Deep Belief Net4. Deep Autoencoder