-
第一章监督学习
监督学习
-
●1.1机器学习基本概念
机器学习基本概念
-
●1.2线性回归
线性回归
-
●1.3逻辑斯蒂回归
逻辑斯蒂回归
-
●1.4提升算法 (Ada Boost）
提升算法 (Ada Boost）
-
第二章非监督学习
非监督学习
-
●2.1K均值聚类
K均值聚类
-
●2.2主成分分析1
主成分分析1
-
●2.3主成分分析2
主成分分析2
-
●2.4特征人脸
特征人脸
-
●2.5潜在语义分析
潜在语义分析
-
●2.6期望最大化算法
期望最大化算法
-
第三章半监督学习
半监督学习
-
●3.1半监督学习简介
半监督学习简介
-
●3.2半监督学习方法
半监督学习方法
-
●3.3半监督学习聚类
半监督学习聚类
-
第四章深度神经网络
深度神经网络
-
●4.1前馈神经网络
前馈神经网络
-
●4.2梯度下降
梯度下降
-
●4.3卷积神经网络
卷积神经网络
-
●4.4自然语言理解与视觉分析
自然语言理解与视觉分析
-
第五章循环神经网络及注意力机制
循环神经网络及注意力机制
-
●5.1什么是RNN
什么是RNN
-
●5.2RNN常见模型
RNN常见模型
-
●5.3RNN常用领域
RNN常用领域
-
●5.4attention机制
attention机制
-
第六章知识图谱
知识图谱
-
●6.1知识图谱简介
知识图谱简介
-
●6.2基于非结构化数据的自动知识图谱构建
基于非结构化数据的自动知识图谱构建
-
●6.3知识图谱的应用
知识图谱的应用
-
第七章强化学习
强化学习
-
●7.1马尔可夫决策过程
马尔可夫决策过程
-
●7.2强化学习中策略学习
强化学习中策略学习
-
●7.3强化学习中的策略优化
强化学习中的策略优化
-
●7.4强化学习中的策略评估
强化学习中的策略评估
-
●7.5Q-Learning与深度强化学习
Q-Learning与深度强化学习
-
第八章AutoML与进化算法
AutoML与进化算法
-
●8.1AutoML和进化算法
AutoML和进化算法
-
●8.2强化学习
强化学习
-
●8.3人工智能芯片
人工智能芯片
-
第九章机器学习平台
机器学习平台
-
●9.1Tensorflow的介绍
Tensorflow的介绍
-
●9.2Tensorflow训练神经网络和新特性
Tensorflow训练神经网络和新特性
-
●9.3PyTorch和 PaddlePaddle
PyTorch和 PaddlePaddle
-
第十章因果推理与机器学习
因果推理与机器学习
-
●10.1关联 V.S. 因果
关联 V.S. 因果
-
●10.2因果分析和推理1
因果分析和推理1
-
●10.3 因果分析和推理2
因果分析和推理2
-
●10.4因果指导机器学习
因果指导机器学习
