整体内容
1.基础监督学习算法:k 近邻、线性回归、决策树、感知机[深度学习基底]、k-means、逻辑回归、随机森林、朴素贝叶斯。
2.加强版监督学习算法:Adaboost算法、GBDT算法、EM算法、竞赛神器XGBoost和lightGBM、最大熵模型、支持向量机、隐马尔克服模型、条件随机场。
3.无监督学习模型:k-means模型、PCA降维、SVD奇异值分解。
4.强化学习体系: 策略迭代和价值迭代、蒙特卡洛、DQN算法和A3C算法
5.额外的算法:遗传算法和蚁群算法、模拟退火算法、关联规则Apriori算法
路线规划(时间和内容上互补并进,两部分之间相互铺垫,可商量互换内容)
日常内功:python、numpy、pandas、matplotlib、Tensorflow
第一路线
已学
1.决策树
2.k近邻
3.逻辑回归
4.朴素贝叶斯算法(理论、代码复现 )
5.决策树
6.随机森林
7.感知机算法(理论、代码复现)
8.GBDT算法(理论、代码复现)
接下来
1.Adaboost算法(理论、代码复现)
2.LightGBM(讲述论文、调包编程)
3.竞赛神器XGBoost(讲述论文、调包编程)
4.竞赛案例(解决实际预测问题,数据预处理、特征工程、模型利用、效果提升策略)
5.SVM算法(理论及推导、调包编程)
6.最大熵模型(理论及推导)
5.EM算法(理论及推导)
7.隐马尔克夫模型(理论及推导)
8.条件随机场(理论及推导)
9.PCA降维(理论及推导、代码复现)
10.SVD奇异值分解(理论及推导、代码复现)
11.k-means模型(理论及推导、代码复现)
12.关联规则Apriori算法(理论、代码复现)
13.遗传算法(理论及代码案例)
14.蚁群算法(理论及代码案例)
15.Tensorflow体系学习
16.DNN(推导、原理、Tensorflow代码案例)
17.CNN卷积神经网络(推导、原理、Tensorflow代码案例)
18.RNN时序神经网络(推导、原理、Tensorflow代码案例)
19.GAN生成对抗网络(原理、Tensorflow代码案例)
20.迁移学习通理(大致体系、原理)
21.强化学习(马尔科夫决策过程原理、动态规划)
22.强化学习(蒙特卡洛和时间差分方法原理)
23.强化学习(Q-learning、Sarsa、PG、AC)
24.强化学习(DQN、DDPG、A3C方式、Tensorflow代码案例)