人工智能——机器学习与深度学习思维导图

人工智能——机器学习与深度学习思维导图

目录

0 综述

1 基本模型

1.1 回归

1.2 决策树与随机森林 

1.3 SVM​

1.4 最大熵与EM算法 

2 特征工程 

2.1 特征工程 

2.2 多算法组合与模型最优 

3 工业实践 

3.1 Sklearn与机器学习实战 

3.2 高级工具库xgboost/LightGBM与建模实战

3.3 推荐系统原理与应用

 3.4 聚类算法

4 深入机器学习 

4.1 贝叶斯网络 

4.2 隐马可夫链HMM 

4.3 主题模型LDA 

5 迈入深度学习

5.1 深度学习初步 

5.2 卷积神经网络与计算机视觉 

5.3 循环神经网络与应用 

5.4 深度学习框架与应用 

---

0 综述

1 基本模型

1.1 回归

1.2 决策树与随机森林 

1.3 SVM 1.4 最大熵与EM算法 

2 特征工程 

2.1 特征工程 

2.2 多算法组合与模型最优 

3 工业实践 

3.1 Sklearn与机器学习实战 

3.2 高级工具库xgboost/LightGBM与建模实战

3.3 推荐系统原理与应用

 3.4 聚类算法

4 深入机器学习 

4.1 贝叶斯网络 

4.2 隐马可夫链HMM 

4.3 主题模型LDA 

5 迈入深度学习

5.1 深度学习初步  5.2 卷积神经网络与计算机视觉 

5.3 循环神经网络与应用 

5.4 深度学习框架与应用