人工智能知识点

╰半橙微兮° 2022-04-23 01:48 204阅读 0赞

人工智能学习大纲

一、基础部分

1、机器学习入门

2、机器学习入门

*  线性回归简介；
 *  回归中的损失函数；
 *  损失函数的概率解释；
 *  过拟合；
 *  Scikit-Learn中带正则的线性回归模型；
 *  正则的概率解释；
 *  线性回归模型解析求解；
 *  线性回归模型梯度下降法求解；
 *  线性回归模型坐标轴下降求解；
 *  回归模型性能评价指标；
 *  交叉验证与模型评估；
 *  线性回归案例分析： Boston房价预测；
 *  特征工程：共享单车骑行量预测；
 *  Logistic回归简介；
 *  Logistic损失函数；
 *  正则项；
 *  牛顿法；
 *  Logistic回归的优化求解；
 *  多类分类任务；
 *  类别样本不均衡数据；
 *  分类模型评价指标；
 *  Scikit-Learn中的Logistic回归；
 *  Logistic回归案例分析：Otto商品分类；
 *  特征工程：糖尿病发病预测；
 *  深度学习历史与介绍；
 *  深度学习解决的问题；
 *  感知器介绍；
 *  神经网络的拟合能力；
 *  全连接神经网络介绍；
 *  前向传播；
 *  反向传播；

3、 深度学习基础算法

*  数据预处理；
 *  神经网络简介；
 *  激活函数；
 *  Batchnorm；
 *  Dropout；
 *  网络连接方式；

4、视觉处理与分析

*  Ground truth；
 *  损失函数；
 *  学习率；
 *  优化算法；
 *  过拟合与欠拟合；
 *  正则化；
 *  参数的初始化；
 *  图像滤波及去噪；
 *  图像边缘检测；
 *  直方图与图像分割；
 *  图像特征描述；
 *  再论图像分割；
 *  综合示例；
 *  直线检测；
 *  HARRIS角点检测；
 *  SIFT特征提取；
 *  ORB特征检测；
 *  特征检测综合示例；
 *  背景建模；
 *  光流估计；
 *  综合示例；
 *  视觉编程工具；

二、高级算法

1、机器学习基础算法（推荐算法方向）

*  SVM简介；
 *  带松弛变量的SVM模型: CSVM；
 *  对偶问题；
 *  核方法；
 *  支持向量回归：SVR；
 *  Scikit-Learn中的SVM；
 *  SVM案例分析：Otto商品分类；
 *  决策树；
 *  Scikit-Learn中的决策树模型；
 *  决策树案例分析：Otto商品分类；
 *  Bagging和随机森林；
 *  Scikit-Learn中的随机森林模型；
 *  随机森林案例分析：Otto商品分类；
 *  Adaboost；
 *  GBM；
 *  Scikit-Learn中的GBM；
 *  XGBoost原理；
 *  XGBoost工具包使用指南；
 *  XGBoost的Scikit-Learn接口；
 *  XGBoost案例分析：Otto商品分类；
 *  LightGBM原理；
 *  LightGBM使用指南；
 *  LightGBM案例分析：Otto商品分析；

*  PCA降维原理；
 *  Scikit-Learn中的PCA；
 *  t-SNE；
 *  Scikit-Learn中的 t-SNE；
 *  降维案例分析：Otto商品数据降维分析；
 *  聚类简介；
 *  KMean聚类算法；
 *  Scikit-Learn中的 KMean聚类；
 *  聚类案例分析：Event聚类；
 *  推荐系统简介；
 *  基于内容的推荐；
 *  基于用户的协同过滤；
 *  基于物品的协同过滤；
 *  基于矩阵分解的协同过滤；
 *  协同过滤推荐案例分析：MovieLens电影推荐；
 *  CTR预估简介；
 *  FTRL模型；
 *  FM与FFM；
 *  GBDT；
 *  Wide and Deep Learning模型；
 *  CTR案例分析：Criteo CTR预估；

2、位姿估计与三维重构（计算机视觉方向）

3、计算机视觉与神经网络 （计算机视觉方向）

*  坐标系与相机模型；
 *  相对位姿测量算法；
 *  相机标定；
 *  极线几何；
 *  立体视觉与三维重构；
 *  特征匹配；
 *  卷积和池化；
 *  卷积的反向传播；
 *  Tensorflow基础；
 *  卷积神经网络的tensorflow实现；
 *  经典卷积神经网络案例
 *  Vgg/inception网络代码讲解；
 *  基于slim的神经网模型训练；
 *  分类定位；
 *  检测；
 *  检测模型的训练与使用；
 *  分割；
 *  人脸；
 *  其他；
 *  特征使用-相似图；