今天在 github 上看到了 datawhale 发布的 李宏毅机器学习笔记。
https://datawhalechina.github.io/leeml-notes
其目录如下:
P1 机器学习介绍
P2 为什么要学习机器学习
P3 回归
P4 回归-演示
P5 误差从哪来?
P6 梯度下降
P7 梯度下降(用 AOE 演示)
P8 梯度下降(用 Minecraft 演示)
P9 作业 1-PM2.5 预测
P10 概率分类模型
P11 logistic 回归
P12 作业 2-赢家还是输家
P13 深度学习简介
P14 反向传播
P15 深度学习初试
P16 Keras2.0
P17 Keras 演示
P18 深度学习技巧
P19 Keras 演示 2
P20 Tensorflow 实现 Fizz Buzz
P21 卷积神经网络
P22 为什么要「深度」学习?
P23 半监督学习
P24 无监督学习-线性降维
P25 无监督学习-词嵌入
P26 无监督学习-领域嵌入
P27 无监督学习-深度自编码器
P28 无监督学习-深度生成模型 I
P29 无监督学习-深度生成模型 II
P30 迁移学习
P31 支持向量机
P32 结构化学习-介绍
P33 结构化学习-线性模型
P34 结构化学习-结构化支持向量机
P35 结构化学习-序列标签
P36 循环神经网络 I
P37 循环神经网络 II
P38 集成学习
P39 深度强化学习浅析
P40 机器学习的下一步
由于李宏毅的课程内容通俗易懂,对于想入门机器学习又想看中文讲解的人来说绝对是非常推荐的。
李宏毅(Hung-yi Lee)目前任台湾大学电机工程学系和电机资讯学院的助理教授,他曾于 2012 年获得台湾大学博士学位。2012年9月至2013年8月,Academia Sinica信息技术创新研究中心博士后。2013年9月至2014年7月,麻省理工学院计算机科学和人工智能实验室( CSAIL )语言系统组的访问科学家。他的研究方向主要是机器学习(深度学习)和语音识别。
课程目录:
1、The Next Step for Machine Learning
2、Anomaly Detection
3、Attack ML Models
4、Explainable ML
5、Life Long Learning
6、Meta Learning - MAML
7、Meta Learning - Gradient Descent as LSTM
8、Meta Learning – Metric-based
9、Meta Learning - Train+Test as RNN
10、More about Auto-encoder
11、Network Compression
12、GAN (Quick Review)
13、Flow-based Generative Model
14、Transformer
15、ELMO, BERT, GPT
课程视频:
https://www.bilibili.com/video/av46561029/
课程主页:
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML19.html
课程目录:
1、Introduction of Machine Learning
2、Why we need to learn machine learning
3、Regression - Case Study
4、Regression - Demo
5、Where does the error come from
6、Gradient Descent
7、Gradient Descent (Demo by AOE)
8、Gradient Descent (Demo by Minecraft)
9、Classification
10、Logistic Regression
11、Brief Introduction of Deep Learning
12、Backpropagation
13、“Hello world” of deep learning
14、Keras 2.0
15、Keras Demo
16、Tips for Training DNN
17、Keras Demo 2
18、Fizz Buzz in Tensorflow (sequel)
19、Convolutional Neural Network
20、Why Deep
21、Semi-supervised
22、Unsupervised Learning - Linear Methods
23、Unsupervised Learning - Word Embedding
24、Unsupervised Learning - Neighbor Embedding
25、Unsupervised Learning - Auto-encoder
26、Unsupervised Learning - Deep Generative Model (Part I)
27、Unsupervised Learning - Deep Generative Model (Part II)
28、Transfer Learning
29、Support Vector Machine (SVM)
30、Structured Learning - Introduction
31、Structured Learning - Linear Model
32、Structured Learning - Structured SVM
33、Structured Learning - Sequence Labeling
34、Recurrent Neural Network (Part I)
35、Recurrent Neural Network (Part II)
36、Ensemble
37、Deep Reinforcement Learning
38、Policy Gradient (Supplementary Explanation)
39、Reinforcement Learning (including Q-learning)
课程视频:
https://www.bilibili.com/video/av19144978/
课程主页:
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html
课程目录:
1、Can shallow network fit any function
2、Potential of Deep
3、Is Deep better than Shallow
4、When Gradient is Zero
5、Deep Linear Network
6、Does Deep Network have Local Minima
7、Geometry of Loss Surfaces (Conjecture)
8、Geometry of Loss Surfaces (Empirical)
9、Generalization Capability of Deep Learning
10、Indicator of Generalization
课程视频:
https://www.bilibili.com/video/av20961661
图书推荐:
作 者:华为区块链技术开发团队 著
出版社:清华大学出版社
作 者:[美] Roger,Wattenhofer(罗格.瓦唐霍费尔) 著,陈晋川 等 译
出版社:电子工业出版社
作 者:杨保华,陈昌 著
出版社:机械工业出版社
作 者:裴尧尧 著
出版社:机械工业出版社
作 者:张健 著
出版社:机械工业出版社
相关图文:
经过8年多的发展,LSGO软件技术团队在「地理信息系统」、「数据统计分析」、「计算机视觉」等领域积累了丰富的研发经验,也建立了人才培养的完备体系,目前深耕的领域为「机器学习与量化金融」,欢迎对计算机技术感兴趣的同学加入,与我们共同成长进步。
联系客服