| B站大学机器学习方向培养方案v3.0 | 您所在的位置：网站首页 › 正态分布查表0 › B站大学机器学习方向培养方案v3.0 |
|
0.绪论 本方案适用于cser，对ai深入学习 1.机器学习的数学基础机器学习用到的数学知识相当广泛，以西瓜书为例，介绍每章所需要的数学知识，没有数学寸步难行... 第一章：多元随机变量分布、函数分布、期望->NFL 第二章：期望、方差，最难的就是假设检验了，不会假设检验，就会看的头大，正态分布，两个重要极限 第三章：矩阵求导，无约束的条件极值，矩阵的秩，极大似然估计，凸优化的牛顿法，二范数 第四章：信息论中的信息熵 第五章：矩阵乘法，凸优化的梯度下降法，偏导数以及复合函数偏导数 第六章：拉格朗日对偶，拉格朗日乘子 第七章：贝叶斯方法、极大似然估计、统计推断 第八章：相关性。 1.1高等数学与其说是高等数学不如说是多元微积分，多元微积分更重要一些，尤其是链式求导法，在深度学习中理解反向传播会非常有用，但一元的求导，求极限也需要。至于微分方程和无穷级数、曲线曲面积分，反而没那么重要了。需要重点学最小二乘法，条件极值，拉格朗日乘子法，方向导数，梯度(为了理解梯度下降)，几何，雅可比行列式 从高等数学角度理解最小二乘法 高等数学-上交-乐经良 重点学一元微积分和多元微积分，微分方程和曲线积分，级数，微分方程不需要学 数学分析-陈纪修 重点学习他的插值和泰勒公式。 书籍： 《同济七版高等数学》，我觉得这本高数书非常好，在国内教材中，少见好教材，无论是证明还是课后的习题。 1.2线性代数/高等代数需要重点学矩阵乘法、矩阵求导，QR分解，奇异值(SVD)分解,范数，向量空间，线性映射。 从矩阵角度理解一元线性回归，即最小二乘问题 线性代数-MIT 国内好的线代课不多，我当时学只有一个学期，课时很少，学了个皮毛，后面考研又深入学了学，这门课对以后的机器学习非常重要。机器学习很多公式推导都需要它。 线性代数本质极力推荐，没有几何，代数学的就很吃力。 【手推机器学习】矩阵求导--合集哔哩哔哩bilibili必看 矩阵求导在大部分高等代数/线性代数课里面讲的都不是很深入 矩阵分析 需要补充范数和svd分解，qr分解，范数，线性映射，线性空间 书籍： 《线性代数及其应用》David C. Lay，从应用角度比同济的要好，写的也很棒 1.3概率论与数理统计概率统计在机器学习中非常重要尤其是模型评估和选择、和贝叶斯分类器。重点学参数估计，尤其是最大似然和贝叶斯估计、最大后验估计，假设检验，贝叶斯方法，一元线性回归 从概率统计角度理解一元线性回归 概率论： 数理统计-缪柏其讲的很透彻，首推 Python统计与数据分析实战结合python讲统计学，学完这门课对于python也会有一定帮助 书籍推荐 概率论与数理统计，陈希儒，这本书写的相当好，个人认为好于浙大版本的数理统计。对于很多东西讲的很透彻，与之相比，反而浙大那个更像是应付考试出的书了。 概率论与数理统计教程茆诗松，更全一些，一些统计学考研会用到教材 随机过程 1.4凸优化SVM需要用到它的拉格朗日对偶、拉格朗日乘子法、凸优化，梯度下降法、牛顿法 最优化理论-上交大 书籍： 凸优化Stephen Boyd / 王书宁 ，讲的很全面了，书也很厚 1.5信息论交叉熵、KL散度 2.Python基础以下四个教程均来自同一个up讲的很不错，学习机器学习必看，python学习也相对简单 python基础 题库 牛客网 python入门or CS61A题库 学完后做一些oj题目，对于熟悉语法有些帮助 3.python数据分析机器学习大部分工作是在做数据处理(特征工程)，所以数据分析代码底子越好，写机器学习代码越轻松，因为有sklearn以后模型的训练、测试很简单了。 numpy pandas mataplotlib:可视化包 视频学习资源 numpy基础 pandas基础 mataplotlib可视化基础 练习网站 牛客网python数据分析 3.机器学习理论新手推荐先看统计学习方法，个人感觉比西瓜书容易理解。很像一本数学书。不至于公式跳步，也更容易抓住重点，西瓜书看完一章需要自己总结。机器学习和计算机其他课程不一样很容易看不懂，可以先打个问号，往后读，然后每周抽出固定时间集中解决问号。 3.1 炼气吃透《统计学习方法》by[简博士] 这门课程是配套统计学习方法的，感觉讲的很不错。尤其是朴素贝叶斯方法那块 3.2 筑基北邮机器学习 然后就是西瓜书+南瓜书，南瓜书可以看电子版的。遇到那个公式不懂查一下。 3.3 金丹PRML，这本书要求数学功底有点高，难度高，但好处是详细，但是她是深入必备书籍。 4.机器学习公式白板推导有很详细的公式推导，有很多学习方法有很多角度理解比如线性回归。很精彩。但朴素贝叶斯有所不足。可以用简博士那个视频互为补充。 5.机器学习实践有了前面基础，代码其实很简单。可以看黑马or百战机器学习，我个人是看百战的。搜搜云盘、论坛应该能找到。代码非常模板化。新手可以直接上手用sklearn。 通用步骤就是 导入数据 数据预处理 特征工程 训练 预测 6.深度学习理论6.1 元婴新手推荐神经网络与深度学习by丘锡鹏+神经网络与深度学习理论与实战-TensorFlow2.0 这个老师讲的很不错，和书本配套，NNDL相比与花书简练很多。也更容易抓住重点 6.2 渡劫花书+中科大的深度学习 看过NNDL以后再看花书应该很轻松了 其他 李宏毅老师的机器学习(虽说是机器学习但大部分内容是深度学习啦) 7.深度学习实践首推刘二大人的深度学习实践把用pytorch写神经网络的步骤写的很清楚。很容易学会。毕竟套路化了 后续打算学NLP和知识图谱，学完在更新。更多内容可以参考我的收藏夹 |
| CopyRight 2018-2019 实验室设备网 版权所有 |