人工智能学习图谱
2018-10-17 17:48:31 151 举报AI智能生成
登录查看完整内容
人工智能学习图谱是一种可视化工具，用于展示人工智能领域的知识结构和学习路径。它通常包括多个层次的节点和边，每个节点代表一个概念或技术，而边则表示它们之间的关系和联系。通过这个图谱，学习者可以清晰地了解人工智能的基础知识、主要技术和应用领域，并可以根据自己的兴趣和需求选择相应的学习路径。此外，人工智能学习图谱还可以帮助教师和研究人员更好地组织和管理教学内容，促进知识的共享和传播。总之，人工智能学习图谱是一个非常有用的工具，可以帮助人们更有效地学习和掌握人工智能知识。
作者其他创作
大纲/内容
人工智能
数学基础
高数
概率论
数理统计
优化理论与算法
经典机器学习理论算法
回归算法
最小二乘法
逻辑回归
逐步式回归
多元自适应回归条
本地散点平滑估计
基于实例的算法
k-Nearest Neighbor(KNN)
学习矢量量化（Learning Vector Quantization， LVQ）
自组织映射算法Self-Organizing Map ， SOM）
基于正则化方法
Ridge Regression
Least Absolute Shrinkage and Selection Operator（LASSO）
弹性网络（Elastic Net）
决策树学习
分类及回归树（ClassificationAnd Regression Tree， CART）
ID3 (Iterative Dichotomiser 3)
C4.5
Chi-squared Automatic Interaction Detection(CHAID)
Decision Stump
随机森林（Random Forest）
多元自适应回归样条（MARS）
梯度推进机（Gradient Boosting Machine， GBM）
基于贝叶斯方法
朴素贝叶斯算法
平均单依赖估计（AveragedOne-Dependence Estimators， AODE）
Bayesian Belief Network（BBN）
基于核的算法
支持向量机（SupportVector Machine， SVM）
径向基函数（Radial Basis Function ，RBF)
线性判别分析（Linear Discriminate Analysis ，LDA)
聚类算法
k-Means
期望最大化算法（Expectation Maximization， EM）
基于关联规则学习
Apriori
Eclat
人工神经网络
感知器神经网络（PerceptronNeural Network）
反向传递（Back Propagation）
Hopfield网络
深度学习
受限波尔兹曼机（RestrictedBoltzmann Machine， RBN）
Deep Belief Networks（DBN）
卷积网络（Convolutional Network）
堆栈式自动编码器（Stacked Auto-encoders）
降低维度的算法
主成份分析（PrincipleComponent Analysis， PCA）
偏最小二乘回归（Partial Least Square Regression，PLS）
Sammon映射
投影追踪（ProjectionPursuit）
集成算法
Boosting
Bootstrapped Aggregation（Bagging）
AdaBoost
堆叠泛化（Stacked Generalization， Blending）
工具
python
博客、paper等
练习
GPU+开源框架
研究某个领域
NLP
语音识别
计算机视觉
0 条评论
回复 删除
下一页
