線上機器學習/深度學習/AI 教學文件網址收藏 [2019/05/31]

資料來源: http://redstonewill.com/

開源！《AI算法工程師手冊》中文教程正式發布！ http://www.huaxiaozhuan.com/
    數學基礎
        1.線性代數基礎
            一、基本知識
            二、向量操作
            三、矩陣運算
            四、特殊函數
        2.概率論基礎
            一、概率與分佈
            二、期望和方差
            三、大數定律及中心極限定理
            五、常見概率分佈
            六、先驗分佈與後驗分佈
            七、信息論
            八、其它
        3.數值計算基礎
            一、數值穩定性
            二、梯度下降法
            三、二階導數與海森矩陣
            四、牛頓法
            五、擬牛頓法
            六、 約束優化
        4.蒙特卡洛方法與MCMC 採樣
            一、蒙特卡洛方法
            二、馬爾可夫鏈
            三、MCMC 採樣
    統計學習
        0.機器學習簡介
            一、基本概念
            二、監督學習
            三、機器學習三要素
        1.線性代數基礎
            一、線性回歸
            二、廣義線性模型
            三、對數機率回歸
            四、線性判別分析
            五、感知機
        2.支持向量機
            一、 線性可分支持向量機
            二、線性支持向量機
            三、非線性支持向量機
            四、支持向量回歸
            五、SVDD
            六、序列最小最優化方法
            七、其它討論
        3.樸素貝葉斯
            一、貝葉斯定理
            二、樸素貝葉斯法
            三、半樸素貝葉斯分類器
            四、其它討論
        4.決策樹
            一、 原理
            二、 特徵選擇
            三、生成算法
            四、剪枝算法
            五、CART 樹
            六、連續值、缺失值處理
            七、多變量決策樹
        5.knn
            一、k 近鄰算法
            二、 kd樹
        6.集成學習
            一、集成學習誤差
            二、 Boosting
            三、Bagging
            四、集成策略
            五、多樣性分析
        7.梯度提升樹
            一、提升樹
            二、xgboost
            三、LightGBM
        8.特徵工程
            一、缺失值處理
            二、特徵編碼
            三、數據標準化、正則化
            四、特徵選擇
            五、稀疏表示和字典學習
            六、多類分類問題
            七、類別不平衡問題
        9.模型評估
            一、泛化能力
            二、過擬合、欠擬合
            三、偏差方差分解
            四、參數估計準則
            五、泛化能力評估
            六、訓練集、驗證集、測試集
            七、性能度量
            七、超參數調節
            八、傳統機器學習的挑戰
        10.降維
            一、維度災難
            二、主成分分析PCA
            三、核化線性降維KPCA
            四、流形學習
            五、度量學習
            六、概率PCA
            七、獨立成分分析
            八、t-SNE
            九、LargeVis
        11.聚類
            一、性能度量
            二、原型聚類
            三、密度聚類
            四、層次聚類
            五、譜聚類
        12.半監督學習
            半監督學習
            一、生成式半監督學習方法
            二、半監督SVM
            三、圖半監督學習
            四、基於分歧的方法
            五、半監督聚類
            六、 總結
        13.EM算法
            一、示例
            二、EM算法原理
            三、EM算法與高斯混合模型
            四、EM 算法與kmeans 模型
            五、EM 算法的推廣
        14.最大熵算法
            一、最大熵模型MEM
            二、分類任務最大熵模型
            三、最大熵的學習
        15.隱馬爾可夫模型
            一、隱馬爾可夫模型HMM
            二、 HMM 基本問題
            三、 最大熵馬爾科夫模型MEMM
        16.概率圖與條件隨機場
            一、概率圖模型
            二、貝葉斯網絡
            三、馬爾可夫隨機場
            四、條件隨機場CRF
        17.邊際概率推斷
            一、精確推斷
            二、近似推斷
        18.主題模型
            一、Unigram Model
            二、pLSA Model
            三、LDA Model
            四、LDA優化
            五、sentence-LDA
            六、模型討論
    深度學習
        0.深度學習簡介
            一、 介紹
            二、歷史
        1.深度前饋神經網絡
            一、基礎
            二、損失函數
            三、輸出單元
            四、隱單元
            五、結構設計
            六、歷史小記
        2.反向傳播算法
            一、鍊式法則
            二、反向傳播
            三、算法實現
            四、自動微分
        3.正則化
            一、參數範數正則化
            二、顯式約束正則化
            三、數據集增強
            四、噪聲魯棒性
            五、早停
            六、參數相對約束
            七、dropout
            八、對抗訓練
            九、正切傳播算法
            十、其它相關
        4.最優化基礎
            一、代價函數
            二、神經網絡最優化挑戰
            三、 mini-batch
            四、基本優化算法
            五、自適應學習率算法
            六、二階近似方法
            七、共軛梯度法
            八、優化策略和元算法
            九、參數初始化策略
            十、Normalization
        5.卷積神經網絡
            一、卷積運算
            二、卷積層、池化層
            三、基本卷積的變體
            四、應用
            五、 歷史和現狀
        5.1.CNN之圖片分類
            一、LeNet
            二、AlexNet
            三、VGG-Net
            四、Inception
            五、ResNet
            六、ResNet 變種
            七、SENet
            八、 DenseNet
            九、小型網絡
        6.循環神經網絡
            一、RNN計算圖
            二、循環神經網絡
            三、長期依賴
            四、序列到序列架構
            五、遞歸神經網絡
            六、迴聲狀態網絡
            七、LSTM 和其他門控RNN
            八、外顯記憶
        7.工程實踐指導原則
            一、性能度量
            二、默認的基準模型
            三、決定是否收集更多數據
            四、選擇超參數
            五、調試策略
            六、示例：數字識別系統
            七、數據預處理
            八、變量初始化
            九、結構設計
    自然語言處理
        詞向量
        一、向量空間模型VSM
        二、LSA
        三、Word2Vec
        四、GloVe
    工具
    CRF
        CRF++
            一、安裝
            二、使用
            三、Python接口
            四、常見錯誤
    lightgbm
        lightgbm使用指南
        一、安裝
        二、調參
        三、進階
        四、API
        五、Docker
    xgboost
        xgboost使用指南
        一、安裝
        二、調參
        三、外存計算
        四、 GPU計算
        五、單調約束
        六、 DART booster
        七、Python API
    scikit-learn
        1.預處理
            一、特徵處理
            二、特徵選擇
            三、字典學習
            四、PipeLine
        2.降維
            一、PCA
            二、MDS
            三、Isomap
            四、LocallyLinearEmbedding
            五、FA
            六、FastICA
            七、t-SNE
        3.監督學習模型
            一、線性模型
            二、支持向量機
            三、貝葉斯模型
            四、決策樹
            五、KNN
            六、AdaBoost
            七、梯度提升樹
            八、Random Forest
        4.模型評估
            一、數據集切分
            二、性能度量
            三、驗證曲線&& 學習曲線
            四、超參數優化
        5.聚類模型
            一、KMeans
            二、DBSCAN
            三、MeanShift
            四、AgglomerativeClustering
            五、BIRCH
            六、GaussianMixture
            七、SpectralClustering
        6.半監督學習模型
            一、標籤傳播算法
        7.隱馬爾可夫模型
            一、Hmmlearn
            二、seqlearn
    spark
        1.基礎概念
            一、核心概念
            二、安裝和使用
            三、 pyspark shell
            四、獨立應用
        2.rdd使用
            一、概述
            二、創建RDD
            三、轉換操作
            四、行動操作
            五、其他方法和屬性
            六、持久化
            七、分區
            八、混洗
        3.dataframe使用
            一、概述
            二、SparkSession
            三、DataFrame 創建
            四、 DataFrame 保存
            五、DataFrame
            六、Row
            七、Column
            八、GroupedData
            九、functions
        4.累加器和廣播變量
            一、累加器
            二、廣播變量
    numpy
        numpy 使用指南
            一、 ndarray
            二、 ufunc 函數
            三、 函數庫
            四、數組的存儲和加載
    scipy
        scipy 使用指南
            一、 常數和特殊函數
            二、 擬合與優化
            三、線性代數
            四、 統計
            五、數值積分
            六、 稀疏矩陣
    matplotlib
        matplotlib 使用指南
            一、matplotlib配置
            二、 matplotlib Artist
            三、基本概念
            四、佈局
            五、 Path
            六、 path effect
            七、坐標變換
            八、 3D 繪圖
            九、技巧
    pandas
        pandas 使用指南
            一、基本數據結構
            二、 內部數據結構
            三、 下標存取
            四、 運算
            五、變換
            六、數據清洗
            七、 字符串操作
            八、 聚合與分組
            九、時間序列
            十、 DataFrame 繪圖
            十一、 移動窗口函數
            十二、 數據加載和保存

重磅| 李宏毅機器學習2019 最新版上線，中文授課！ https://redstonewill.com/2033/

英文版完整線上機器學習課程 https://github.com/machinelearningmindset/machine-learning-course