深度学习

第一部分 基础知识(T=3W)

1.1 数学(T=1W)

  • 高数:导数、微分、积分、梯度、泰勒展开式
  • 线性代数:向量、矩阵、运算、范数、特征向量和特征值
  • 概率论:条件概率、期望等

1.2 Python(T=1W)

第二部分 机器学习理论入门(T=3W)

2.1 统计学习方法(李航)

2.1.1 三个准则

(1)作为入门不要每章都看
(2)不要从零开始实现代码,太浪费时间
(3)必须能手推公式

2.1.2 章节目录

统计学习概论、感知机、朴素贝叶斯、决策树、逻辑回归与最大熵、提升树、xgboost

2.2 刘建平博客

地址 配套代码

第三部分 机器学习实战入门(T=1W)

3.1 阿里云天池大赛赛题解析(机器学习篇)

3.2 四个任务

  • 工业蒸汽预测
  • 天猫用户重复购买预测
  • O2O优惠券预测
  • 阿里云安全恶意程序检测

3.3 怎么学习

赛题理解、数据探索、特征工程、模型训练、模型验证、特征优化、模型融合

第四部分 深度学习理论入门(T=1M)

4.1 深度学习

4.2 NLP(T=2W)

文本分类、文本匹配、序列标注、文本生成
CS224n:一共18讲,P1-P5,P8,P9,P11
作业:重点看a1,a2,a4,a5;其实a5这个不做的话,也没问题,把前面给的这个三个一定自己走一遍;
必须熟悉的掌握:反向传播,词向量,RNN,GRU,Lstm,Seq2Seq以及attention机制;初步了解卷积神经网络;

4.3 CV(T=2W)

图像理解(分类、检测、分割、追踪)、图像生成(GAN模型)
CS231n:一共32讲,P1-P22
作业:1,2,3不用看
反向传播梯度回传,损失函数,优化算法,多层感知机,卷积神经网络,普通的循环神经网络,以及一些dropout和BN掌握住;

4.4 必看的一本书:邱锡鹏

4.5 Pytorch框架

第五部分 深度学习实战入门(T=2W)

5.1 自然语言处理-新闻文本分类(T=1W)

5.1.1 赛题解析
5.1.2 分析数据
5.1.3 基于机器学习的文本分类任务
5.1.4 不同深度学习模型

5.2 计算机视觉-街景符号识别(T=1W)

5.2.1 赛题解析
5.2.2 数据读取与数据扩增
5.2.3 构建模型
5.2.4 模型训练与验证
5.2.5 模型集成

5.3 要求

  • 必须弄清楚每行代码
  • 调参

第六部分 面试

6.1 百面机器学习

posted @ 2023-05-25 19:22  YHVH  阅读(33)  评论(0)    收藏  举报