这个是幂次学院的机器学习课程大纲,非常适合自学者给自己做参考用。注意这个不是深度学习为主的课程,机器学习的传统理论就满满一大筐了。
第一部分 基础篇
第1章 初识机器学习
1.1 引言
1.2 基本术语
1.3 假设空间
1.4 归纳偏好
1.5 发展历程
1.6 应用现状
第2章 模型评估与选择
2.1 经验误差与过拟合
2.2 评估方法
2.2.1 留出法
2.2.2 交叉验证法
2.2.3 自助法
2.2.4 调参与最终模型
2.3 性能度量
2.3.1 错误率与精度
2.3.2 查准率、查全率与F1
2.3.3 ROC与AUC
2.3.4 代价敏感错误率与代价曲线
2.4 比较检验
2.4.1 假设检验
2.4.2 交叉验证t检验
2.4.3 McNemar检验
2.4.4 Friedman检验与后续检验
2.5 偏差与方差
第3章 线性模型
3.1 基本形式
3.2 线性回归
3.3 对数几率回归
3.4 线性判别分析
3.5 多分类学习
3.6 类别不平衡问题
第4章 决策树
4.1 基本流程
4.2 划分选择
4.2.1 信息增益
4.2.2 增益率
4.2.3 基尼指数
4.3 剪枝处理
4.3.1 预剪枝
4.3.2 后剪枝
4.4 连续与缺失值
4.4.1 连续值处理
4.4.2 缺失值处理
4.5 多变量决策树
第5章 神经网络
5.1 神经元模型
5.2 感知机与多层网络
5.3 误差逆传播算法
5.4 全局最小与局部极小
5.5 其他常见神经网络
5.5.1 RBF网络
5.5.2 ART网络
5.5.3 SOM网络
5.5.4 级联相关网络
5.5.5 Elman网络
5.5.6 Boltzmann机
第6章 支持向量机
6.1 间隔与支持向量
6.2 对偶问题
6.3 核函数
6.4 软间隔与正则化
6.5 支持向量回归
6.6 核方法
第7章 深度学习
7.1 卷积神经网络CNN基本原理
7.2 开源深度学习框架与常见卷积网络模型
7.3 循环神经网络RNN
7.4 生成模型与对抗生成网络
7.5 Keras基础(一)
7.6 Keras基础(二)
7.7 Keras基础(三)
7.8 Keras基础(四)
7.9 Keras基础(五)
7.10 Keras基础(六)
7.11 Keras(七) – 图像识别例子分析
7.12 Keras(八) – 时序模型例子分析
7.13 Keras(九) – 自然语言处理例子分析
7.14 Keras(十) – 对抗网络与生成模型例子分析
7.15 Tensorflow,TFSlim,Tensorlayer基础(一)
7.16 Tensorflow,TFSlim,Tensorlayer基础(二)
7.17 Tensorflow,TFSlim,Tensorlayer基础(三)
7.18 Tensorflow,TFSlim,Tensorlayer基础(四)
7.19 Tensorflow,TFSlim,Tensorlayer基础(五)
7.20 Tensorflow,TFSlim,Tensorlayer(六) – 图像识别例子分析
7.21 Tensorflow,TFSlim,Tensorlayer(六) – 时序模型例子分析
7.22 Tensorflow,TFSlim,Tensorlayer(六) – 自然语言处理例子分析
7.23 Tensorflow,TFSlim,Tensorlayer(六) – 图像分割例子分析
7.24 Tensorflow,TFSlim,Tensorlayer(六) – 对象检测例子分析
第8章 贝叶斯分类器
8.1 贝叶斯决策论
8.2 极大似然估计
8.3 朴素贝叶斯分类器
8.4 半朴素贝叶斯分类器
8.5 贝叶斯网
8.5.1 结构
8.5.2 学习
8.5.3 推断
8.6 EM算法
第9章 集成学习
9.1 个体与集成
9.2 Boosting
9.3 Bagging与随机森林
9.3.1 Bagging
9.3.2 随机森林
9.4 结合策略
9.4.1 平均法
9.4.2 投票法
9.4.3 学习法
9.5 多样性
9.5.1 误差–分歧分解
9.5.2 多样性度量
9.5.3 多样性增强
第10章 聚类
10.1 聚类任务
10.2 性能度量
10.3 距离计算
10.4 原型聚类
10.4.1 k均值算法
10.4.2 学习向量量化
10.4.3 高斯混合聚类
10.5 密度聚类
10.6 层次聚类
第11章 降维与度量学习
11.1 k近邻学习
11.2 低维嵌入
11.3 主成分分析
11.4 核化线性降维
11.5 流形学习
11.5.1 等度量映射
11.5.2 局部线性嵌入
11.6 度量学习
第二部分 进阶篇
第12章 特征选择与稀疏学习
12.1 子集搜索与评价
12.2 过滤式选择
12.3 包裹式选择
12.4 嵌入式选择与L_1正则化
12.5 稀疏表示与字典学习
12.6 压缩感知
第13章 计算学习理论
13.1 基础知识
13.2 PAC学习
13.3 有限假设空间
13.3.1 可分情形
13.3.2 不可分情形
13.4 VC维
13.5 Rademacher复杂度
13.6 稳定性
第14章 半监督学习
14.1 未标记样本
14.2 生成式方法
14.3 半监督SVM
14.4 图半监督学习
14.5 基于分歧的方法
14.6 半监督聚类
第15章 概率图模型
15.1 隐马尔可夫模型
15.2 马尔可夫随机场
15.3 条件随机场
15.4 学习与推断
15.4.1 变量消去
15.4.2 信念传播
15.5 近似推断
15.5.1 MCMC采样
15.5.2 变分推断
15.6 话题模型
第16章 规则学习
16.1 基本概念
16.2 序贯覆盖
16.3 剪枝优化
16.4 一阶规则学习
16.5 归纳逻辑程序设计
16.5.1 最小一般泛化
16.5.2 逆归结
第17章 强化学习
17.1 任务与奖赏
17.2 K-摇臂赌博机
17.2.1 探索与利用
17.2.2 ε-贪心
17.2.3 Softmax
17.3 有模型学习
17.3.1 策略评估
17.3.2 策略改进
17.3.3 策略迭代与值迭代
17.4 免模型学习
17.4.1 蒙特卡罗强化学习
17.4.2 时序差分学习
17.5 值函数近似
17.6 模仿学习
17.6.1 直接模仿学习
17.6.2 逆强化学习
第18章 增量学习
18.1 被动攻击学习
18.1.1 梯度下降量的抑制
18.1.2 被动攻击分类
18.1.3 被动攻击回归
18.2 适应正则化学习
18.2.1 参数分布的学习
18.2.2 适应正则化分类
18.2.3 适应正则化回归
18.3 增量随机森林
第19章 迁移学习
19.1 迁移学习简介
19.1.1 什么是迁移学习
19.1.2 迁移学习VS传统机器学习
19.1.3 应用领域
19.2 迁移学习的分类方法
19.2.1 按迁移情境
19.2.2 按特征空间
19.2.3 按迁移方法
19.3 代表性研究成果
19.2.1 域适配问题
19.2.2 多源迁移学习
19.2.3 深度迁移学习
第20章 主动学习
20.1 主动学习简介
20.2 主动学习思想
20.3 主动学习VS半监督学习
20.4 主动学习VS Self-Learning
第21章 多任务学习
21.1 使用最小二乘回归的多任务学习
21.2 使用最小二乘概率分类器的多任务学习
21.3 多次维输出函数的学习
第三部分 实战篇
第22章 机器学习应用场景介绍
22.1 机器学习经典应用场景
22.2 头脑风暴:挖掘身边的应用场景
第23章 数据预处理
23.1 数据降噪
23.2 数据分割
第24章 特征提取
24.1 时域特征
24.2 频域特征
24.3 自动特征提取
第25章 机器学习方法应用
25.1 应用机器学习方法之前的处理
25.2 使用机器学习分类
25.3 机器学习调参
25.4 分类结果展示
第26章 – 机器学习企业级项目实战
26.1 O2O优惠券使用预测
26.2 鲍鱼年龄预测
26.3 机器恶意流量识别
26.4 根据用户轨迹进行精准营销
26.5 根据搜狗输入进行用户画像
26.6 美国债务违约预测