機器學習培訓

第一章 引言

1. 機器學習定義

2. 機器學習的分類

3. 機器學習算法的過程

4. 沒有免費午餐定理

第二章 支持向量機

1. 支持向量機（線性可分定義）

2. 支持向量機（問題描述）

3. 支持向量機（優化問題）

4. 支持向量機（線性不可分情況）

5. 支持向量機（低維到高維的映射）

6. 支持向量機（核函數的定義）

7. 支持向量機（原問題和對偶問題）

8. 支持向量機（轉化為對偶問題）

9. 支持向量機（算法流程）

10. 支持向量機（兵王問題描述）

11. 支持向量機（兵王問題程序設計）

12. 支持向量機（兵王問題MATLAB程序）

13. 支持向量機（識別系統的性能度量）

14. 支持向量機（多類情況）

第二章節討論區

第三章 人工神經網絡

1. 人工神經網絡（章節總覽）

2. 人工神經網絡（感知器算法）

3. 人工神經網絡（感知器算法的意義）

4. 人工神經網絡（第一次寒冬）

5. 人工神經網絡（多層神經網絡）

6. 人工神經網絡（梯度下降算法）

7. 人工神經網絡（后向傳播算法 上）

8. 人工神經網絡（后向傳播算法 下）

9. 人工神經網絡（后向傳播算法的應用）

10. 人工神經網絡（兵王問題MATLAB程序）

11. 人工神經網絡（參數設置）

第三章節討論區

第四章 深度學習

13. 人臉識別介紹

12. 深度學習的編程工具PYTORCH

章節簡介及資源匯總

2. 深度學習（自編碼器）

3. 深度學習（卷積神經網絡LENET）

4. 深度學習（卷積神經網絡ALEXNET）

5. 深度學習的編程工具Tensorflow

6. 深度學習的編程工具CAFFE

7. 深度學習（近年來流行的卷積神經網絡）

8. 目標檢測與分割上

9. 目標檢測與分割下

10. 時間序列的深度學習模型（RNN和LSTM）

11. 生成對抗網絡

第五章 強化學習

1. 強化學習（Q-Learning和epsilon-greedy算法）

2. 強化學習（深度強化學習）

3. 強化學習 (policy gradient 和 actor-critic算法）

4. 強化學習 (AlphaGo 上）

5. 強化學習 (AlphaGo 下）

第六章 傳統機器學習

4. ADABOOST

5. 人工智能中的哲學

1. 主成分分析

2. K-均值聚類

3. 高斯混合模型