中文世界中最好的机器学习课程!
李宏毅老师的机器学习和深度学习系列课程,是中文世界中最好!课程中有深入浅出的讲解和幽默生动的比喻。关键一切都是中文的!
- 人工智能发展史
- 人工智能、机器学习、深度学习关系
- 生物的本能与机器的本能
- 什么是机器学习?
- 机器学习路线
- AI 训练师
- 线性回归模型的应用场景
- 线性回归模型的原理和实现流程
- 梯度下降法
- 过拟合产生的原因以及解决方法
- 正则化
- 机器学习常见的 Python 包
- 梯度下降法代码实现
- 误差的来源
- 偏差
- 方差
- 过拟合、欠拟合与误差的关系
- 交叉验证
- 梯度下降法流程
- 调整学习率之Adagrad法
- 随机梯度下降法的原理及优缺点
- 特征放缩
- 游戏理解梯度下降法,如何找到局部最低点或者全局最低点
- 理解梯度下降法更新参数时,loss 出现不降反增的情况
- 分类模型
- 最大似然估计
- 概率分布、先验概率、后验概率及条件概率
- 逻辑回归模型
- 逻辑回归与平方误差
- 判别模型与生成模型
- 多元分类
- 逻辑回归的优缺点
- 深度学习的发展历史以及流程
- 神经网络
- 全连接前馈网络
- 损失函数
- 反向传播
- 梯度下降法
- 链式法则
- 前向传播
- 反向传播
- Keras 简介
- 用 Keras 实现手写数字识别模型
- 小批量梯度下降(Mini-batch Gradient Descent)
- 激活函数(activation function)
- 自适应学习率(Adaptive Learning Rate)
- 早停法(Early Stopping)
- 正则化(Regularization)
- Dropout
- 介绍卷积神经网络(CNN)
- 卷积神经网络主要内容
- 在Keras中实现CNN
- 理解CNN实际在做什么
- CNN的一些应用
- 胖+短的网络 VS. 瘦+高的网络
- 神经网络模块化思想
- 端到端学习
- 深层网络在处理复杂问题中的作用
- 生成模型中的半监督学习
- 低密度分离
- 平滑性假设
- 更好的表达
- 无监督学习的分类
- 聚类
- 分布式表征
- 降维
- PCA 主成分分析
- 矩阵分解
- 为什么要使用词嵌入
- 为什么词嵌入是无监督学习
- 基于统计
- 基于预测
- 词嵌入的特点
- 词嵌入的主要应用
- 流形学习
- 局部线性嵌入
- 拉普拉斯特征映射
- T-distributed Stochastic Neighbor Embedding (t-SNE)
- 介绍 Auto-encoder
- 深度自动编码
- 深度自动编码实例化
- 生成模型
- 像素循环神经网络
- 变分自编码器
- 为什么使用VAE
- 高斯混合模型
- VAE的问题
- 生成对抗网络
- 介绍迁移学习
- 模型微调
- 多任务学习
- 领域对抗训练
- Zero-shot Learning
- 支持向量机的介绍
- Hinge Loss
- 线性支持向量机
- 核方法
- 结构化学习介绍
- 结构化学习的统一框架
- 结构化学习中需要解决的几个问题
- 结构化学习模型
- 可分离的情况
- 不可分离的情况
- 结构化支持向量机
- 切割平面法
- 多分类支持向量机
- 序列标签
- 隐马尔科夫模型
- 条件随机场
- 结构感知器和结构化支持向量机
- 应用实例:插槽填充
- RNN 网络的介绍
- 长短期记忆网络(LSTM)的介绍与详解
- RNN原理
- 解决梯度消失或者梯度爆炸的方法
- RNN 应用
- Sequence to sequence
- 基于注意力模型
- RNN与结构化学习的联系与区别
- 集成学习的介绍
- Bagging
- Boosting
- Stacking
- 深度强化学习的概念和几个应用场景
- 用基于策略的方法(Policy-based)学习一个做事的 Actor
- 用基于价值的方法(Value-based)学习一个批评的 Critic(下学期内容)
- 将 Actor 与 Critic 结合得到当前最强的方法 A3C(下学期内容)
- 异常检测
- 可解释型 AI
- 对抗攻击
- 终生学习
- 元学习
- 小(零)样本学习
- 强化学习
- 网络压缩
- 无监督域适应
本份课程资料主要是基于2017年台湾大学老师李宏毅老师的机器学习课程资料
- 视频网址:https://www.bilibili.com/video/av10590361/?p=1
- 课程资料:http://speech.ee.ntu.edu.tw/~tlkagk/courses.html
在整理资料的过程中,参考的资料有:
- 博客:https://blog.csdn.net/dukuku5038/article/details/82253966
- 博客:https://blog.csdn.net/xzy_thu/article/details/67640512
- 资料:https://github.com/maplezzz/NTU_ML2017_Hung-yi-Lee_HW
- 资料:https://github.com/dafish-ai/NTU-Machine-learning
此外,该资料还参考机器学习、深度学习相关的论文书籍等,在这就不一一列举。
如果有侵权行为,请联系我们。
考虑编著们水平有限,资料中难免有错误或者解释不清之处,欢迎大家批评指正和进一步的补充。