人工智能学习线路图
2024-06-12 09:23:48 0 举报
AI智能生成
人工智能学习线路图是一份详细的指南,旨在帮助学习者系统地掌握人工智能的核心知识。这份线路图涵盖了从基础理论到高级应用的各个阶段,包括数学基础、编程基础、机器学习、深度学习、计算机视觉、自然语言处理等多个领域。每个阶段都提供了推荐的学习资源,如书籍、在线课程、项目实践等。通过循序渐进的学习,学习者可以逐步提升自己的人工智能技能,为未来的职业发展打下坚实的基础。
作者其他创作
大纲/内容
1基础知识
认识人工智能
薪资与各行业应用
人工智能常见流程
机器学习vs深度学习
有监督、无监督、强化学习
Python语言
环境搭建
运行环境Anaconda/Miniconda
开发环境Pycharm/Jupyter
Python基础
注释
数据类型
判断语句
循环语句
Python函数
Python面向对象
类和对象
继承
科学计算模块
Numpy
Pandas
Matplotlib
高等数学知识强化
一元与多元微分学
线性代数相关
概率论相关
最优化相关
2机器学习
有监督学习
线性回归
均方差损失推导
梯度下降法
归一化
正则化
Lasso回归 vs 岭回归
多项式回归
保险花销预测
线性分类
逻辑回归
多标签分类
交叉熵损失
Softmax回归
SVM支持向量机
训练音乐分类器
决策树
剪枝与后剪枝
随机森林
Adaboost
GBDT
XGBoost
无监督学习
降维
PCA主成分分析
SVD奇异值分解
LDA线性判别分析
聚类
KMeans聚类与变型
密度聚类
层次聚类
图聚类
GMM高斯混合模型
概率图模型
朴素贝叶斯
HMM隐含马尔可夫模型
最大熵模型
最大熵马尔可夫模型
CRF条件随机场
3深度学习
神经网络原理和实现
神经网络算法
各种Optimizer优化器
CUDA与cudnn的安装
TensorFlow与PyTorch实战
反向传播推导
网络参数初始化
从0到1实现神经网络及反向传播算法
图像识别
分类任务
目标检测
语义分割
人脸识别
对抗生成网络
自然语言处理
基础知识
词向量与词嵌入
RNN循环神经网络
LSTM长短时记忆
Attention注意力机制
NLP大模型
Transformer
Baidu ENNIE
Google BERT
OpenAI GPT
NLP自然语言处理实战
Word2Vec词向量项目
情感分析
AI写唐诗
基于Seq2Seq问答机器人
NER命名实体识别
基于BERT新闻分类项目
基于GPT2闲聊机器人
OCR文本识别
OCR识别整体架构
CTC损失函数
前向后向算法推导
CTC前向后向算法代码
贪婪搜索vs集束搜索
CPTN项目剖析
CRNN项目剖析
语音识别
语音信号特征提取
分帧、加窗
梅尔滤波
倒谱分析
GMM-HMM经典声学模型
声学字典
三音素模型
维特比对齐
说话人自适应
N-Gram语言模型
Viterbi动态解码
WFST静态解码
HCLG
TokenPassing
Lattice
TDNN
端到端语音识别
CTC
LAS
RNN-T
NerualTransducer
Mocha
Transformer
Conformer
知识图谱
实体命名
关系抽取
图数据库
模型压缩与优化
常见工具
模型剪枝
非结构化剪枝
结构化剪枝
基于权值
基于BN
剪枝评估
模型量化
非对称线性量化
对称线性量化
训练后量化
训练中量化
混合精度量化
量化感知训练
聚类量化
全整形量化
半精度量化
协调优化
知识蒸馏
代码实现
深度学习框架Pytorch & Tensorflow
实战CIFAR10
机器翻译
词性标注
房价预测
病理性近视识别
工业缺陷检测
CCPD车牌识别
物流信息提取
4强化学习
Q-Learning
Q-Table
SARSA
Sarsa Lambda
代码实战
深度强化学习
Deep Q- Learning Network
算法思想与具体流程
代码实战 DQN
Double DQN
Dueling DQN
Policy Gradient策略梯度
Actor Critic
A3C
DDPG
TD3
PPO
PPO1
TRPO
PPO2
DPPO
5知识补充
Linux环境编程基础
数据结构与算法
OpenCV
C++基础
图神经网络
0 条评论
下一页