1.1.1 机器学习

1.1.2 机器学习工具与平台

1.1.3 什么是机器学习

1.1.4 机器学习问题举例

1.2.1 机器学习的历史

1.2.2 机器学习的现状

1.2.3 机器学习的未来

1.3.1 成功案例

1.3.2 机器学习发展的动力

1.4.1 监督学习

1.4.2 无监督学习

1.4.3 强化学习

1.4.4 机器学习新的方向

1.5.1 端到端机器学习流程

1.5.2 统计学习和机器学习术语

1.5.3 课程安排

1.5.4 课程涵盖的主要内容

1.5.5 需要的基础知识

1.5.6 参考书

3.4.1 感知器数据集间隔

3.4.2 感知器收敛定理

3.4.3 感知器收敛定理证明

3.4.4 在另一个空间思考问题

4.2.1 特征缩放/标准化

4.2.2 特征交叉

4.2.3 特征选择

4.3.1 多项式基

4.3.2 径向基

4.5.1 对类别数据编码

4.5.2 对有序数据编码

4.5.3 对范围数据的编码

4.5.4 对数值数据编码

4.7.1 交叉验证

5.1.1 优化算法的步骤

5.1.2 机器学习中的目标函数的一般形式

5.1.3 梯度下降优化算法

5.2.1 不确定性示例

5.2.2 Sigmoid/Logistic函数

5.3.1 线性Logistic分类器的定义

5.3.2 负对数似然损失函数

5.4.1 梯度下降属性

5.4.2 随机梯度下降

5.6.1 Logistic回归梯度下降

5.6.2 重新审视Logistic回归损失

5.6.3 Logitic回归学习算法

6.1.1 线性回归

6.1.2 性能评估

6.1.3 泛化学习

6.1.4 目标函数

6.1.5 最优参数

6.2.1 线性模型的假设类

6.2.2 线性回归模型

6.4.1 正则化函数

6.4.2 正则化线性回归-岭回归

6.4.3 正则化线性回归-LASSO回归

6.5.1 优化线性回归

6.5.2 线性回归的梯度下降算法

6.5.3 随机梯度下降算法SGD

6.6.1 超参数选择

6.6.2 估计误差

6.6.3 结构误差

6.6.4 评估假设

7.1.1 约束最优化问题

7.1.2 约束最优化问题的求解方法

7.1.3 约束最优化与正则化

7.3.1 支持向量

7.3.2 间隔最大化

7.4.1 线性可分支持向量机学习算法

7.4.2 求解对偶问题

7.4.3 间隔最大化对偶算法

7.5.1 软间隔和正则化

7.5.2 线性支持向量机学习的对偶问题

7.6.1 核技巧

7.6.2 正定核函数

7.6.3 机器学习中常用的核函数

7.6.4 非线性支持向量机与学习算法

8.1.1 人工神经元

8.1.2 神经元训练

8.1.3 神经元的应用示例

8.2.1 生成集

8.2.2 逼近器

8.2.3 阶梯函数构造新特征

8.3.1 神经网络结构

8.3.2 单层感知器

8.3.3 多层感知器

8.4.1 层的定义

8.4.2 神经网络的基本结构

8.4.3 单层网络

8.4.4 多层网络

8.4.5 前馈网络

8.4.6 记忆网络

8.4.7 图网络

8.5.1 激活函数概念

8.5.2 常用的激活函数

8.5.3 激活函数的选择

8.7.1 训练过程

8.7.2 误差反向传播的SGD算法

8.8.1 神经网络参数优化概论

8.8.2 批处理 Batches

8.8.3 正则化

9.1.1 机器视觉竞赛

9.1.2 卷积神经网络的应用

9.2.1 图像的特点

9.2.2 图像的性质

9.3.1 滤波器

9.3.2 其他概念

9.4.1 池化的概念

9.4.2 池化的方法

9.5.1 AlexNet

9.5.2 GoogleNet

9.5.3 VGG

9.5.4 ResNet

10.1.1 序列模型简介

10.1.2 状态机与转移矩阵

10.2.1 状态和动作

10.2.2 转移函数

10.2.3 收益和策略函数

10.3.1 有限状态值函数

10.3.2 无限状态值迭代算法

11.1.1 强化学习基本问题

11.1.2 K 臂赌博机问题

11.1.3 探索和利用

11.1.4 Q-学习

11.3.1 Q-learning

11.3.2 Function approximation: Deep Q learning

11.3.3 Fitted Q-learning

11.3.4 策略搜索

12.1.1 RNN

12.1.2 RNN变体（改进模型）

12.2.1 训练语言模型

12.2.2 状态机与循环神经网络

12.3.1 序列到类别模式

12.3.2 同步序列到序列模式

12.3.3 异步序列到序列模式

12.4.1 权重更新

12.4.2 反向传播

12.4.3 前相传播

12.5.1 长短期记忆网络和门控机制

12.5.2 梯度消失和门控机制

12.5.3 Transformers-Bert

12.5.4 RNN存在的问题

13.1.1 生成模型定义

13.1.2 生成模型与判别模型的比较

13.1.3 生成模型的优缺点

13.2.1 自编码器

13.2.2 变分自编码器的定义

13.2.3 变分推断

13.2.4 变分自编码器的学习算法

13.2.5 变分自编码器的应用场景

13.3.1 生成对抗网络的定义

13.3.2 生成对抗网络的学习算法

13.3.3 生成对抗网络的评价方法

13.3.4 生成对抗网络的应用场景

14.1.1 基于树的通**近器

14.1.2 通过递归创建深度树

14.4.1 常见的特征选择方法

14.4.2 信息增益

14.4.3 基尼不纯度

14.4.4 方差减少

14.5.1 常用的决策树算法

14.8.1 随机森林

14.8.2 决策树与随机森林

15.1.1 无监督学习

15.1.2 新特征表示

15.1.3 密度估计/异常检测

15.1.4 结构检测/寻找因果模型

15.2.1 聚类任务

15.2.2 k-means聚类

15.2.3 k-menas算法说明

16.1.1 内容表示和相似度

16.1.2 基于内容相似度检索

16.2.1 协同过滤算法原理

16.2.2 优化

16.2.3 基于知识的推荐

16.3.1 并行推荐

16.3.2 整体式混合

16.3.3 流水线式混合