幂次学院第二期西瓜集训营课程知识体系梳理

幂次学院第二期

西瓜集训营课程笔记梳理

课程介绍
覆盖数学基础、经典机器学习算法、机器学习理论、机器学习前沿、机器学习实战
基础：线性代数、概率论、数字信号处理等

一、人工智能理论与实战

(选修)章节	内容	笔记	扩展补充
Part1 课程简介与机器学习发展史
Part2 线性代数基础
chapter1 线性代数(一)
chapter2 线性代数(二)
chapter3 线性代数(三)
chapter4 线性代数(四)
chapter5 线性代数(五)
Part3 概率论基础
chapter1 概率论(一)
chapter2 概率论(二)
chapter3 概率论(三)
chapter4 概率论(四)
Part4 Visual Studio Code使用

（必修）章节	内容	笔记	扩展阅读
一、机器学习简介	引言、基本术语、假设空间、 归纳偏好、发展历程、应用现状	Note1
二、模型评估与选择	经验误差与过拟合、评估方法、 性能度量与比较检验	Note2
三、线性模型	基本形式、线性回归、 对数几率回归、线性判别分析、 多分类学习、类别不平衡问题	Note3
四、决策树	基本流程、划分选择、 剪枝处理、连续与缺失值、 多变量决策树	Note4
五、神经网络	神经元模型、感知机与多层网络、 误差逆传播算法、全局最小与局部极小、 其他常见神经网络、深度学习	Note5
六、支持向量机	间隔与支持向量、对偶问题、 核函数、软间隔与正则化、 支持向量回归、核方法	Note6
七、贝叶斯分类器	贝叶斯决策论、极大似然估计、 (半)朴素贝叶斯分类器、贝叶斯网、 EM算法	Note7
八、集成学习模型	个体与集成、Boosting、 Bagging与随机森林、 结合策略、多样性	Note8
九、聚类	聚类任务、性能度量、 距离计算、原型聚类、 密度聚类、层次聚类	Note9
十、降维与度量学习	K近邻学习、低维嵌入、 主成分分析、核化线性降维、 流形学习、度量学习	Note10
十一、特征选择与稀疏学习	子集搜索与评价、过滤式选择、 包裹式选择、嵌入式选择与L_1正则化、 稀疏表示与字典学习、压缩感知	Note11
十二、计算学习理论	基础知识、PAC学习、 有限假设空间、VC维、 Pademacher复杂度、稳定性	Note12
十三、半监督学习	未标记样本、生成式方法、 半监督SVM、图半监督学习、 基于分歧的方法、半监督聚类	Note13
十四、概率图模型	隐马尔可夫模型、马尔可夫随机场、 条件随机场、学习与推断、 近似推断、话题模型	Note14
十五、规则学习	基本概念、序贯覆盖、 剪枝优化、一阶规则学习、 归纳逻辑程序设计	Note15
十六、强化学习	任务与奖赏、K-摇臂赌博机、 有模型学习、免模型学习、 值函数近似、模仿学习	Note16
十七、增量学习	被动攻击学习、适应正则化学习、 增量随机森林	Note17
十八、迁移学习	迁移学习简介、迁移学习的分类方法、 代表性研究成果	Note18
十九、主动学习	主动学习简介、主动学习思想、 主动学习VS半监督学习及Self_Learning	Note19
二十、多任务学习	使用最小二乘回归、分类的多任务学习	Note20
二十一、机器学习应用场景介绍	机器学习经典应用场景， 头脑风暴：挖掘身边的应用场景	Note21
二十二、数据预处理	数据降噪、数据分割	Note22
二十三、特征提取	时域特征、频域特征、 自动特征提取	Note23
二十四、机器学习项目实战1	使用机器学习分类、机器学习调参、 分类结果展示	Note24
二十五、机器学习项目实战2	020优惠券使用预测、 鲍鱼年龄预测、 机器恶意流量识别、 根据用户轨迹进行精准营销、 根据搜狗输入进行	Note25

二、python基础与数据分析

章节	内容	Notes
Part1 Python简介
chapter1 为什么使用Python
chapter2 Python环境配置(Anaconda)
Part2 Python语法基础
chapter3 预备知识与开始前的准备
chapter4 Python基本语法
chapter5 Python数据类型	(包括字符串、列表、元组、字典)
chapter6 Python数据运算
chapter7 Python流程控制	(条件语句、循环语句(while循环语句、for循环语句)、循环嵌套)
chapter8 Python函数设计
chapter9 Python编程库(包)的导入
chapter10 Python文件输入输出
chapter11 Python基础综合实践
Part3 Python数据分析
chapter12 Python数据分析工具简介
chapter13 Python挖掘建模	(定义挖掘目标，数据取样， 数据探索，数据预处理， 挖掘建模，模型评价)
chapter14 Python主要数据探索函数	(基本统计特征函数，扩展统计特征函数，统计作图函数)
chapter15 Python主要数据预处理函数
chapter16 Python挖掘建模	(Python分类预测模型，Python主要聚类分析算法，Python主要时序模型算法)
chapter17 MNIST手写体数字图片识别