机器学习培训

第一章 引言

1. 机器学习定义

2. 机器学习的分类

3. 机器学习算法的过程

4. 没有免费午餐定理

第二章 支持向量机

1. 支持向量机（线性可分定义）

2. 支持向量机（问题描述）

3. 支持向量机（优化问题）

4. 支持向量机（线性不可分情况）

5. 支持向量机（低维到高维的映射）

6. 支持向量机（核函数的定义）

7. 支持向量机（原问题和对偶问题）

8. 支持向量机（转化为对偶问题）

9. 支持向量机（算法流程）

10. 支持向量机（兵王问题描述）

11. 支持向量机（兵王问题程序设计）

12. 支持向量机（兵王问题MATLAB程序）

13. 支持向量机（识别系统的性能度量）

14. 支持向量机（多类情况）

第二章节讨论区

第三章 人工神经网络

1. 人工神经网络（章节总览）

2. 人工神经网络（感知器算法）

3. 人工神经网络（感知器算法的意义）

4. 人工神经网络（第一次寒冬）

5. 人工神经网络（多层神经网络）

6. 人工神经网络（梯度下降算法）

7. 人工神经网络（后向传播算法 上）

8. 人工神经网络（后向传播算法 下）

9. 人工神经网络（后向传播算法的应用）

10. 人工神经网络（兵王问题MATLAB程序）

11. 人工神经网络（参数设置）

第三章节讨论区

第四章 深度学习

13. 人脸识别介绍

12. 深度学习的编程工具PYTORCH

章节简介及资源汇总

2. 深度学习（自编码器）

3. 深度学习（卷积神经网络LENET）

4. 深度学习（卷积神经网络ALEXNET）

5. 深度学习的编程工具Tensorflow

6. 深度学习的编程工具CAFFE

7. 深度学习（近年来流行的卷积神经网络）

8. 目标检测与分割上

9. 目标检测与分割下

10. 时间序列的深度学习模型（RNN和LSTM）

11. 生成对抗网络

第五章 强化学习

1. 强化学习（Q-Learning和epsilon-greedy算法）

2. 强化学习（深度强化学习）

3. 强化学习 (policy gradient 和 actor-critic算法）

4. 强化学习 (AlphaGo 上）

5. 强化学习 (AlphaGo 下）

第六章 传统机器学习

4. ADABOOST

5. 人工智能中的哲学

1. 主成分分析

2. K-均值聚类

3. 高斯混合模型