From 9ea9b830629d086057f8afc62ab553fd331b7673 Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?=E5=86=89=E6=96=87=E6=9D=B0?= Date: Mon, 17 Sep 2018 12:02:42 +0800 Subject: [PATCH] =?UTF-8?q?=E7=A7=BB=E5=8A=A8=E6=9C=BA=E5=99=A8=E5=AD=A6?= =?UTF-8?q?=E4=B9=A0=E7=9B=B8=E5=85=B3=E5=86=85=E5=AE=B9=E5=88=B0=E7=8B=AC?= =?UTF-8?q?=E7=AB=8B=E7=9A=84repo:=20https://github.com/nonstriater/Learn-?= =?UTF-8?q?ML?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- ML/README.md | 0 ML/pre.md | 131 ------------------------------------------ ML/课程大纲.md | 80 -------------------------- Math/README.md | 151 ------------------------------------------------- 4 files changed, 362 deletions(-) delete mode 100644 ML/README.md delete mode 100644 ML/pre.md delete mode 100644 ML/课程大纲.md delete mode 100644 Math/README.md diff --git a/ML/README.md b/ML/README.md deleted file mode 100644 index e69de29..0000000 diff --git a/ML/pre.md b/ML/pre.md deleted file mode 100644 index c512416..0000000 --- a/ML/pre.md +++ /dev/null @@ -1,131 +0,0 @@ - - -## 数学是基础 - -微积分 -概率论和统计学 -线性代数（矩阵，向量） -数值数学（数值分析，线性规划，凸优化理论，常见数值优化算法） -实分析和泛函的基础 - -《统计学习方法》 李航博士 - - - -## 机器学习 - -机器学习 机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。 - -从大量数据中找到规律和知识，然后用规律和知识做预测和决策。 - - -### 监督学习 - -从给定的训练数据集中学习一个函数，当新数据到来时，可以根据这个函数预测结果。 - -Square判断一笔交易是否是欺诈，信用卡咋骗 -Airbnb 预测用户网络平台上的违规操作 -Airbnb 搜索引擎，搜索结果最大程度可能是用户感兴趣的租房 -Airbnb 预测一个房租的最佳定价范围 - - -线性回归 -决策树 - - -Aerosolve -Scikit-Learn python - - -### 无监督学习 - -从一个输入集里选择识别隐藏的有用的信息，比如从生物信息的DNA里找到负责同一个生物功能的DNA群，图像图形处理里的人脸识别。研究方法是聚类分析。 - -* 数据处理与可视化：PCA，LDA，MDS -* 聚类算法 -* 稀疏编码 - - -### 增强学习 - -通过观察来学习应该如何的动作。 - - - -机器学习偏向数学问题推导，数据挖掘就是抽特征 -不要沉迷于数学公式推导，理解如何运用数据 -动手实现一些简单的算法，如感知机，k近邻，线性回归 -找一个实际案例，从他的算法选择，特征参数选取调整，以及数据管道的建立等系统的学习一下 - - -基本不会去实现这些基础算法，都有现成的开源工具 - -概率图模型（Probabilistic graphical model） -两个核心的机器学习模型：Latent Dirichlet Allocation（LDA） Probabilistic Matrix Factorization（PMF） -统计计算（Statistical computing） -深度学习（Deep learning） -优化（optimization） -PAC学习理论（PAC Learning） -非参数贝叶斯统计（Non-parametric Bayesian statistics） - -参考链接：http://www.zhihu.com/question/21714701 - - - - - -分类器 - -* Naive Bayes -* Linear Discriminant Analysis -* Logistic Regression -* Linear SVM -* Kernel SVM -* Adaboost -* Decision -* Neural network - - - - -分类 -聚类 -模式识别 - - -SVM -贝叶斯 - -学好python - - - - - -### 数据挖掘 - -在知乎的描述中。`数据挖掘`是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性的信息和知识的过程。 - - - -## 入门参考 - - -[Machine learning](https://www.coursera.org/learn/machine-learning/) Andrew Ng 在 coursera公开课。最好能完成所有作业。课程讲义http://cs229.stanford.edu/materials.html - -网易的andrew ng公开课， 这个也不错，年代久远一些。 - -[julyedu 课程大纲](http://julyedu.com/course/getDetail?course_id=34#discard) - -《机器学习基石》 https://www.coursera.org/course/ntumlone - -《机器学习技法》 公开课 - -《机器学习实战》 - -《机器学习：实用案例解析》 本书比较全面系统地介绍了机器学习的方法和技术。全书案例既有分类问题，也有回归问题；既包含监督学习，也涵盖无监督学习。本书讨论的案例从分类讲到回归，然后讨论了聚类、降维、最优化问题等。这些案例包括分类：垃圾邮件识别，排序：智能收件箱，回归模型：预测网页访问量，正则化：文本回归，最优化：密码破解，无监督学习：构建股票市场指数，空间相似度：用投票记录对美国参议员聚类，推荐系统：给用户推荐R语言包，社交网络分析：在Twitter上感兴趣的人，模型比较：给你的问题找到最佳算法。各章对原理的叙述力求概念清晰、表达准确，突出理论联系实际，富有启发性，易于理解。在探索这些案例的过程中用到的基本工具就是R统计编程语言。 - - -《Machine Learning》 Tom Mitchell -Simon Haykin的《神经网络与机器学习》 - diff --git a/ML/课程大纲.md b/ML/课程大纲.md deleted file mode 100644 index bc7e524..0000000 --- a/ML/课程大纲.md +++ /dev/null @@ -1,80 +0,0 @@ -考虑到不少初学者因数学功力不足，公式不会推导而学不下去，故本次课程的前4次课帮大家重点梳理下机器学习所需要的数学知识，后面的16次课 则重实践、重应用 ，具体上课内容安排如下 [包括但远不止以下内容]： - -第1课 微积分与概率论 -Taylor展式、梯度下降和牛顿法初步、Jensen不等式、常见分布与共轭分布 - -第2课 数理统计与参数估计 -切比雪夫不等式、大数定理、中心极限定理、矩估计、极大似然估计 - -第3课 矩阵和线性代数 -特征向量、对称矩阵对角化、线性方程 - -第4课 凸优化 -凸集、凸函数、凸优化、KKT条件 - -第5课 回归 -最小二乘法、高斯分布、梯度下降、过拟合、Logistic回归 -实践示例：线性回归、Logistic回归实现和分析 - -第6课 梯度下降算法剖析 -自适应学习率、拟牛顿、LBFGS -实践示例：自适应学习率代码实现和参数调试分析 - -第7课 最大熵模型 -熵、相对熵、信息增益、最大熵模型、IIS - -第8课 聚类 -K-means/K-Medoid/密度聚类/谱聚类 -实践示例：K-means、谱聚类代码实现和参数调试分析 - -第9课 推荐系统 -协同过滤、隐语义模型pLSA/SVD、随机游走Random Walk -实践示例：协同过滤代码实现和参数调试分析 - -第10课 决策树和随机森林 -ID3、C4.5、CART、Bagging、GBDT -实践案例：使用随机森林进行数据分类 [含代码实现和参数调试分析] - -第11课 Adaboost -Adaboost、前向分步算法 - -第12课 SVM -线性可分支持向量机、线性支持向量机、非线性支持向量机、SMO -实践案例: 使用SVM进行数据分类 [含代码实现和参数调试分析] - -第13课 贝叶斯网络 -朴素贝叶斯、有向分离、马尔科夫模型/HMM/pLSA - -第14课 EM算法 -GMM、pLSA、HMM -实践案例：分解男女身高、图像分割 - -第15课 主题模型 -pLSA、共轭先验分布、LDA -实践案例：使用LDA进行文档聚类 [含代码实现和参数调试分析] - -第16课 采样与变分 -MCMC/KL(p||q)与KL(q||p) - -第17课 隐马尔科夫模型HMM -概率计算问题、参数学习问题、状态预测问题 -实践案例：使用HMM进行中文分词 [含代码实现和参数调试分析] - -第18课 条件随机场CRF -概率无向图模型、MRF、线性链CRF - -第19课 人工神经网络 -BP算法、CNN、RNN - -第20次课 深度学习 -实践案例：使用Torch进行图像分类及卷积网络可视化的深度学习实践 - - -预习 - -《高等数学·上下册》； -《概率论与数理统计·浙大版》、《数理统计学简史·陈希孺》； -《矩阵分析与应用·张贤达》； -《凸优化(Convex Optimization) · Stephen Boyd & Lieven Vandenberghe著》； -《统计学习方法·李航》； -《Pattern Recognition And Machine Learning · Christopher M. Bishop著》，简称PRML； \ No newline at end of file diff --git a/Math/README.md b/Math/README.md deleted file mode 100644 index 90bd108..0000000 --- a/Math/README.md +++ /dev/null @@ -1,151 +0,0 @@ - -## 数学 - ->数学是科学的皇后 ->数学是对自然界事实的总结和归纳，又是抽象思考的结果 ->数学是上帝描写自然的语言 —— 伽利略 - - -## 学习方法 - -* 刷题，练习 -* 避免纯数学性推导，先弄清楚每门学问要解决的问题是什么，理清知识脉络 -* 可汗学院，网易公开课，知乎，google - - -## 初等数学 - -也就是大学以前学习的数学内容。包括代数，几何，集合论等。 - -初等数学看重的是应用能力，很多定理都是靠记忆；比如很多定理，你记住它然后会懂得算就OK了。高等数学看重的是翻译能力，这个翻译指的是把逻辑翻译成数学语言。 - - - -## 微积分 - -微积分起源于资本主义工业革命，工业的发展需要精确计算各种运动如机械运动，天体运动，流体与气体运动的规律性。许多问题需要解决，归纳有下： - -1. 求即时速度 -2. 求曲线的切线问题 -3. 求函数的最大值和最小值问题 -4. 求曲线长，曲线围成的面积，曲面围成的体积，物体的重心 - - -微积分研究的对象是变量(或函数)。`极限理论`是微积分的基础。微积分包括`微分` 和 `积分` ，微分和积分互为逆运算。 - -* **微分**： 内容有 `极限理论` 、 `导数` 、`微分`， 是一套关于关于变化率的理论，将函数，速度，加速度，曲线，曲率用一套通用符号表示。 -* **积分**： 内容有`定积分 ` 和 `不定积分` , 是计算面积和体积的一套理论方法。 -* **极限理论** -* **一元微积分** -* **多元微积分** -* **空间解析几何** -* **级数理论** -* **常微分方程** - - -#### 参考 - -《常微分方程》 也是要刷题的 -《网易公开课》 - - - - -## 线性代数 - -`线性代数`是数学的另一个分支，研究对象是`向量` `矩阵` `线性变换` `线性方程组` - - -* 矩阵 -* 线性方程组 -* 向量 -* 秩与维数 -* 正交化 -* 特征值与特征向量 - - -### 参考 - -《线性代数》 李尚志 -《线性代数及其应用》 David C. Lay -[《网易公开课》](http://c.open.163.com/search/search.htm?query=%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0#/search/all) - - - -## 概率论与数理统计 - - -* 随机变量 -* 概率分布 -* 随机变量的数字特征 -* 参数估计 -* 假设检验 -* 回归分析 - - - -### 应用领域 - -* 实现winzip -* 基于全概率公式的贝叶斯分类算法，数据挖掘，自然语言处理 -* 垃圾邮件过滤 -* 打tag -* 网络性能分析，评估服务质量 - - -更多应用可以看看[知乎这里的讨论](http://www.zhihu.com/question/25047877) - -### 参考 - -《概率论与数理统计》 陈希儒 - - - -## 离散数学 - - ->一切算法的基础都是离散数学 ->一切加密的理论基础都是离散数学 ->编程时候很多奇怪的小技巧（特别是所有和位计算相关的东西）核心也是离散数学 -> from 知乎网友：http://www.zhihu.com/question/38040913 - -离散数学可以看做是数学和计算机之间的桥梁。计算机只懂得离散。 - -离散数学是计算机算法的基础 - -离散数学最重要的两个内容：`数论`和`图论`。 - - -* 集合论 -* 数理逻辑 -* 图论 - - - -#### 应用领域 - -算法 -语言信息处理 -数据挖掘和机器学习 - - - - -## 推荐阅读 - -《统计学习方法》 李航 -《高等数学·上下册》 -《概率论与数理统计·浙大版》、《数理统计学简史·陈希孺》 -《概率论与数理统计》 陈希儒 -《线性代数》 李尚志 -《线性代数及其应用》 David C. Lay -《矩阵分析与应用·张贤达》 -《凸优化(Convex Optimization) · Stephen Boyd & Lieven Vandenberghe著》 -《Pattern Recognition And Machine Learning · Christopher M. Bishop著》，简称PRML - - -《数学之美》 吴军 -《思考的乐趣》《Matrix67数学笔记》 顾森 ,网名[Matrix67](http://www.matrix67.com/blog/) - - -