人工智能知识点

人工智能学习大纲

一、基础部分

1、机器学习入门

2、机器学习入门 

• 线性回归简介；
• 回归中的损失函数；
• 损失函数的概率解释；
• 过拟合；
• Scikit-Learn中带正则的线性回归模型；
• 正则的概率解释；
• 线性回归模型解析求解；
• 线性回归模型梯度下降法求解；
• 线性回归模型坐标轴下降求解；
• 回归模型性能评价指标；
• 交叉验证与模型评估；
• 线性回归案例分析： Boston房价预测；
• 特征工程：共享单车骑行量预测；
• Logistic回归简介；
• Logistic损失函数；
• 正则项；
• 牛顿法；
• Logistic回归的优化求解；
• 多类分类任务；
• 类别样本不均衡数据；
• 分类模型评价指标；
• Scikit-Learn中的Logistic回归；
• Logistic回归案例分析：Otto商品分类；
• 特征工程：糖尿病发病预测；
• 深度学习历史与介绍；
• 深度学习解决的问题；
• 感知器介绍；
• 神经网络的拟合能力；
• 全连接神经网络介绍；
• 前向传播；
• 反向传播；

3、 深度学习基础算法

• 数据预处理；
• 神经网络简介；
• 激活函数；
• Batchnorm；
• Dropout；
• 网络连接方式；

4、视觉处理与分析

• Ground truth；
• 损失函数；
• 学习率；
• 优化算法；
• 过拟合与欠拟合；
• 正则化；
• 参数的初始化；
• 图像滤波及去噪；
• 图像边缘检测；
• 直方图与图像分割；
• 图像特征描述；
• 再论图像分割；
• 综合示例；
• 直线检测；
• HARRIS角点检测；
• SIFT特征提取；
• ORB特征检测；
• 特征检测综合示例；
• 背景建模；
• 光流估计；
• 综合示例；
• 视觉编程工具；

二、高级算法

1、机器学习基础算法（推荐算法方向）

• SVM简介；
• 带松弛变量的SVM模型: CSVM；
• 对偶问题；
• 核方法；
• 支持向量回归：SVR；
• Scikit-Learn中的SVM；
• SVM案例分析：Otto商品分类；
• 决策树；
• Scikit-Learn中的决策树模型；
• 决策树案例分析：Otto商品分类；
• Bagging和随机森林；
• Scikit-Learn中的随机森林模型；
• 随机森林案例分析：Otto商品分类；
• Adaboost；
• GBM；
• Scikit-Learn中的GBM；
• XGBoost原理；
• XGBoost工具包使用指南；
• XGBoost的Scikit-Learn接口；
• XGBoost案例分析：Otto商品分类；
• LightGBM原理；
• LightGBM使用指南；
• LightGBM案例分析：Otto商品分析；

• PCA降维原理；
• Scikit-Learn中的PCA；
• t-SNE；
• Scikit-Learn中的 t-SNE；
• 降维案例分析：Otto商品数据降维分析；
• 聚类简介；
• KMean聚类算法；
• Scikit-Learn中的 KMean聚类；
• 聚类案例分析：Event聚类；
• 推荐系统简介；
• 基于内容的推荐；
• 基于用户的协同过滤；
• 基于物品的协同过滤；
• 基于矩阵分解的协同过滤；
• 协同过滤推荐案例分析：MovieLens电影推荐；
• CTR预估简介；
• FTRL模型；
• FM与FFM；
• GBDT；
• Wide and Deep Learning模型；
• CTR案例分析：Criteo CTR预估；

 2、位姿估计与三维重构（计算机视觉方向）

3、计算机视觉与神经网络 （计算机视觉方向）

• 坐标系与相机模型；
• 相对位姿测量算法；
• 相机标定；
• 极线几何；
• 立体视觉与三维重构；
• 特征匹配；
• 卷积和池化；
• 卷积的反向传播；
• Tensorflow基础；
• 卷积神经网络的tensorflow实现；
• 经典卷积神经网络案例
• Vgg/inception网络代码讲解；
• 基于slim的神经网模型训练；
• 分类定位；
• 检测；
• 检测模型的训练与使用；
• 分割；
• 人脸；
• 其他；
• 特征使用-相似图；