深度学习之路

深度学习需要掌握的基本知识

主题	内容
机器学习概要	a) 什么是机器学习 & 与传统软件开发的异同 b) 机器学习的分类和特点 c) 机器学习可以解决的问题和应用现状
广义线性模型	a) 感知器模型 Perceptron b) 线性神经元 Linear Neuron / Adaline c) 逻辑回归 Logistic Regression d) 误差曲面和三种梯度下降算法 Gradient Descendent
经典概率模型	a) 朴素贝叶斯 Naïve Bayes
决策树及其组合模型 Ensemble Models	a) 决策树 Decision Tree: ID3 & CART b) 随机森林 Random Forest c) 自适应增强算法 Adaptive Boosting (AdaBoost) d) 梯度增强决策树 Gradient Boost Decision Tree (GBDT)
非监督学习模型 Unsupervised Learning	a) 聚类 Clustering: K-­‐Means, Hierarchy b) 降维 Dimension Reduction i. 主成分分析 Principle Component Analysis ii. 奇异值分解 Singularity Decomposition c) 关联规则 i. Apriori 关联分析 ii. FP-­‐growth 频率项集
人工神经元网络 Artificial Neural Networks	a) 神经元网络架构 b) 向后传播训练算法 Backpropagation c) 多层感知器网络 Multiple-­‐Layer Perceptron (MLP) d) 深度学习神经网络介绍 i. 卷积神经网络 CNN ii. 循环神经网络 RNN 及其应用 1. 长短记忆神经网络 LSTM 2. 受限玻尔兹曼机 Restricted Boltzmann Machine 3. 深度置信网络 Deep Belief Net 4. Deep Autoencoder