0076 人工智能系列——机器学习专家的知识技能图谱

• 引言    

    在人工智能的风口浪尖上，作为一名新时代程序员应具备前瞻性的技术自我修养，其中最为核心的，当属深度学习的理论与技能。一位搞社会科学的专家曾给过我建议：要打造自己的核心竞争力。随着不断的工作深入，我发现这句话越发散发着真理的味道，所以做了一些规划，及时调整状态和方向，确保不被人工智能的大潮淹没从而失去做那个驾驭浪尖之上的水手的机会。本文参考了CSDN上的文章，结合个人实际工作中的体会，做了一张深度学习的知识技能谱，以期能引导自己走上正确的方向，同时可以为迷茫中的coder们做一些指引与启发。

• 人工智能专家的自我修养——深度学习及相关技能图谱

• 内容文本

1. 传统机器学习基础
   1. 支持向量机
   2. 贝叶斯模型
   3. 正则化模型
   4. 神经网络
   5. 线性回归
   6. 逻辑回归
   7. 决策树
   8. 集成模型
2. 深度学习
   1. 理论基础

• 信息论
• 交叉熵
• 联合熵
• 条件熵
• 相对熵
• 互信息
• KL散度
  1. 概率与统计
• 大数定律
• 中心极限定律
• 常用概率分布
• 假设检验理论
• 最大似然理论
• 最大后验理论
• EM算法
• 贝叶斯理论
• 贝叶斯分类错误率
  1. 最优化理论
• 最速下降法
• 牛顿法
• 约束最优化
• 梯度下降法 & 非线性规划
  1. bias-variance  tradeoff
  2. VC-Demension
  3. 知识链接
  4. 知识链接
  5. 知识链接
• 1. 技能基础
  • 数据结构
• 树及相关算法
• 图及相关算法
• 哈希表与相关算法
• 矩阵与相关算法
  1. 语言基础
• Python

•     numpy

•     sklearn

•     pandas

•     matplotlib

•     libsvn & liblinear

•     xgboost

• Scala
• R
  1. 大数据基础
• Hadoop

•     HBase

•     Hive

•     Flink

• Storm
• Spark
  1. 开发能力
• 单元测试（Maven实现）
• 逻辑抽象服用
• 稳定性 & 健壮性 & 性能调优
• 代码：整洁度 & 可读性 & 可维护性
  1. 神经网络
     1. CNN（卷积神经网络）
     2. RNN（递归神经网络）
     3. LSTM（长期短期记忆网络）
     4. GAN（生成对抗网络）
  2. 监督学习
     1. knn
     2. naive bayes
     3. LR
     4. 决策树
     5. boosting & gbdt
     6. bagging & random forest
     7. fm
  3. 无监督学习
     1. Kmeans
     2. 层次聚类
     3. DBSCAN
     4. 混合高斯模型
     5. LSI &  pLSA  & LDA
     6. PCA
     7. SVD & NMF
     8. word2vector
  4. 迁移学习
  5. 强化学习

1. AI架构
   1. 国外FLAG公司新动向
      1. 特别关注Google公司
      2. 关注GitHub上star激增项目
   2. 国内落地新技术研究
      1. 特别关注Alibaba、Baidu、Tencent公司
      2. 今日头条
2. 项目管理
   1. 项目编译与交付
      1. Git
      2. DevOps
      3. Maven
      4. 容器平台，如docker
      5. 云平台，如PaaS，AWS
   2. 项目分工及日常管理
      1. 项目文档规范能力
      2. 项目协作能力
      3. 紧急应对能力

• 参考文献

https://blog.csdn.net/light_lj/article/details/52208838

https://www.cnblogs.com/ys99/p/9190520.html

https://blog.csdn.net/lk3030/article/details/84678496