2019年3月12日 下午2:03
四：总结：【说人话】去【宏观理解】
神经网络难理解的原因以及理解的方法-神经网络理解
网络的宽度和深度-网络的宽度和深度提取不同的特征
RNN->LSTM-RNN-LSTM对比
ML和DL能代替的对象-将度量问题转化为ML_DL
机器学习算法集锦：从贝叶斯到深度学习及各自优缺点-汇总-各类算法优缺点
在机器学习中是如何“训练的”，和深度学习有啥不同？-不同模型的“训练”方式
广义机器学习的整体架构-阶段总结
说说对机器学习的认识-阶段总结
2019年3月4日 上午11:19
目前在机器学习瓶颈
如何设计和评价一个网络结构的好坏
2019年1月10日 下午3:10
不要为了使用ML而使用，要立足于问题
2019年1月10日 下午3:10
如何理解一个网络是如何训练的
一：深度学习：
卷积参数：
卷积核是深度学习自己学习出来的-卷积核是学出来的
TensorFlow strides 参数讨论-代码-strides作用
卷积数学计算的细节：
三维立方体卷积核-三维卷积核
四维卷积的运算法则-四维卷积运算
卷积层输入输出的尺寸-卷积层输入输出的尺寸
激活函数的作用：
激活函数在神经网络中理解-激活函数缘由
全连接层的理解：
对于卷积神经网络中全连接层的理解(有错)-2~n的全连接层
如何使用TensorFlow实现卷积神经网络(参数理解)-卷积网络如果整体看成一个函数之后的参数-第一层全连接层-softmax
全连接层的第一层的作用-第一层全连接层来源
2019年3月12日 下午5:38
全连接层重新整理
loss
loss函数意味着什么-结构性学习-GAN-loss本质
softmax
Softmax可以从两个角度去理解-softmax
训练过程
人工神经网络的训练过程（反向传播的过程）-BP
神经网络(深度学习)中如何训练一条边的权重的-单边权重求解-梯度消失对结果的影响
一个数据，对一个数据的训练流程-代码
batch和全数据集训练的不同-代码-batch
第五课神经网络的程序总结+训练数据的批次-代码-批次batch
二：机器学习
模型的搭建(写代码过程)：经典模型：最重要的概念要明确
Adaboost算法原理的过程中不在害怕公式-adaboost
随机森林-决策树中特征数!=节点数-随机森林-boostraping-bagging
与逻辑回归作对比，再理解SVM-逻辑回归函数是SVM二维的一种核函数
理解模型复杂度-过拟合-正则化之间的关系-模型复杂度-正则化
分类算法之决策树-决策树-连续属性值-多数表决
朴素贝叶斯：-连续特征下的贝叶斯
词袋模型-词袋模型-词频矩阵-TF-IDF
对SVM的再次理解-SVM的二维分类
logistics能够分类的原理-逻辑回归和线性回归对比
AL中各个领域建模的共性-常识
模型的求解(训练过程)：参数求解、损失函数、梯度
交叉熵损失函数和均方误差损失函数-交叉熵是一种损失函数
梯度下降=学习步长=学习率-ada(SGD问题)
求loss最小值为啥求导数不行？-梯度下降的缘由
调参意味着什么（超参数）-超参数
说说对正则化项的理解-正则化项
三：特征工程（数据）
为啥同样是HOG算法，但是效果天壤之别-特征工程的重要性
归一化概念-归一化的理解
对特征处理的一点点理解-特征工程
对数据的认识-数据本身