2019年6月16日 上午1:24
机器学习三要素：
一：【模型的种类与建立(写代码阶段)】
知识点(概念汇总-2018)这一篇整理基本上都是从模型的角度去整理的
1.卷积
2.典型模型：重要概念要分清
受限玻尔兹曼机(RBM)
生成模型、判别模型
概率图模型、结构学习模型
Re-understand RNN LSTM GRU
模型融合
集成学习
理解stack
3.重要问题的理解：
计算机视觉-艾2Weight_Initialization+Batch_Normalization
单个神经元无法解决XOR问题
在没有隐藏层下，神经元只能进行直线分割
二：【loss-function(score function/cost function)】
三：【模型求解：(训练阶段)】
机器学习的模型求解好像本来就不多：最多的就是反向传播(链式法则不断阶段求导)
梯度消失的原因
不同激活函数对梯度消失的影响
计算机视觉-艾2 中的三种Optimization部分和反向传播中图的概念
数学知识点：
计算公式
指标：
求导
矩阵
概率
条件概率推导贝叶斯定理
全概率+贝叶斯公式讲解
极大似然估计详解
特征工程+工具
CAM原理
unbalance data
衡量GPU的计算能力
weka-学习资料和使用操作
转：PyCharm+Docker：打造最舒适的深度学习炼丹炉
特征工程与竞赛
宏观对比理解：
袁进辉：深度学习引擎的最优架构
神经网络入门 - 阮一峰的网络日志
你的神经网络不起作用的37个理由
【王川：深度学习有多深】多深度学习的发展有了比较本质、整体的认识
提高看待问题的品味
机器学习中要用到的几种思维：如何更加宏观的思考
机器学习本身的缺陷
从特征的角度去对比sift和深度学习
同 一个分类问题-2个数学角度解决
从提取特征的角度去理解深度学习