AI学习线路
2023-04-06 12:10:46 38 举报AI智能生成
AI学习线路by yan.wei
作者其他创作
大纲/内容
大数据与人工智能：
数学基础
线性代数与矩阵论
概率与统计
信息论
微积分
编程语言
Python
机器学习
为什么会有机器学习
什么是机器学习
机器学习三要素
数据
模型
算法
分类一
监督学习（Supervised Learning）
训练数据集中包含标签或目标变量，模型通过学习这些标签或目标变量来预测新的数据。
无监督学习（Unsupervised Learning）
训练数据集中没有标签或目标变量，模型通过学习数据之间的关系或结构来发现数据的潜在特征或聚类。
半监督学习（Semi-supervised Learning）
训练数据集中一部分包含标签或目标变量，另一部分不包含，模型通过学习已知的标签或目标变量来预测未知的数据。
强化学习（Reinforcement Learning）
模型通过与环境进行交互，根据环境的反馈来学习如何做出最优的决策。
迁移学习（Transfer Learning）
将已经学习过的模型应用到新的任务中，从而加快模型的训练速度和提高模型的性能
深度学习（Deep Learning）
通过多层神经网络来学习数据的特征，通常用于图像、语音、自然语言处理等领域的任务
状态学习（state learning）
状态学习通常使用强化学习算法来实现，系统会根据当前的状态来选择一个动作，然后观察环境的反馈，从而更新对当前状态的理解，以便在下一次做出更好的决策
分类二
分类
聚类
异常检测
回归
流程
数据收集
收集与问题相关的数据，包括数据的来源、格式、数量和质量等
数据预处理
清洗、转换和标准化数据，去除噪声、缺失值和异常值，将数据转换为可用于机器学习算法的形式
特征工程
选择和提取有意义的特征，对数据进行降维或增维等处理，以便于算法进行学习
模型选择
选择适合问题的机器学习算法，如分类、回归、聚类等
模型训练
使用训练数据进行模型学习，优化模型参数，使其能够更准确地预测未知数据
模型评估
使用测试数据评估模型的性能，如准确率、精度、召回率等指标
模型优化
根据评估结果对模型进行调整和优化，以提高模型的性能
模型应用
将训练好的模型应用到实际场景中，进行预测或分类等任务
实现
Scikit-learn
https://scikit-learn.org/stable/#
https://www.sklearncn.cn/
深度学习
为什么需要深度学习
流程
数据预处理
对原始数据进行预处理，例如归一化、标准化、缺失值填充、特征提取和降维等操作。
网络架构设计
设计神经网络的结构，包括输入层、隐含层和输出层的节点数、激活函数类型、损失函数类型等
初始化参数
初始化神经网络的权重和偏置，通常可以采用随机初始化方法
前向传播
利用网络输入和初始化的参数，通过前向传播计算出神经网络的输出结果
计算损失函数
计算实际输出结果和目标输出结果之间的差距，常用的损失函数包括均方误差（MSE）、交叉熵损失等
反向传播
根据损失函数对网络参数进行反向传播更新，即计算每层网络的误差并将误差信息从输出层向输入层传播，以更新神经网络的参数
参数更新
根据反向传播计算出的梯度，利用优化算法（例如梯度下降）更新网络参数
重复训练
不断地重复前向传播、计算损失函数、反向传播和参数更新这一训练过程，直到达到预设的停止条件（例如训练轮数或误差阈值等）
预测结果
利用训练好的神经网络对新的输入数据进行预测，并根据预测结果进行后续决策
关键技术
不需要特征工程
机器学习需要特征工程
深度学习不需要特征工程
神经元
输入、权重、激活函数、输出
激活函数
解决维度灾难
机器学习领域
深度学习领域
解决梯度问题
什么是梯度
为什么需要梯度
梯度问题
梯度消失
梯度爆炸
类别
前馈神经网络（Feedforward Neural Network）
多层感知机
卷积神经网络（Convolutional Neural Network）
循环神经网络（Recurrent Neural Network）
生成对抗网络（Generative Adversarial Network）
自编码器（Autoencoder）
实现
TensorFlow
Keras
PyTorch
自然处理语言NLP
ChatGPT
计算机视觉CV
机器人
0 条评论
下一页
