• 机器学习
• • 内容
  • 其他参考

机器学习

本教程包含了一些使用Python来学习机器学习的notebook，通过本教程的引导来快速学习Python、Python的常用库、机器学习的理论知识与实际编程，并学习如何解决实际问题。

由于本课程需要大量的编程练习才能取得比较好的学习效果，因此需要认真把作业和报告完成，写作业的过程可以查阅网上的资料，但是不能直接照抄，需要自己独立思考并独立写出代码。

内容

1. Python
   • Install Python
   • Introduction
   • Python Basics
   • Print Statement
   • Data Structure 1
   • Data Structure 2
   • Control Flow
   • Function
   • Class
2. numpy & matplotlib
   • numpy
   • matplotlib
   • ipython & notebook
3. knn
4. kMenas
5. Logistic Regression
   • Least squares
   • Logistic regression
6. Neural Network
   • Perceptron
   • Multi-layer Perceptron & BP
   • Softmax & cross-entroy
7. PyTorch
   • Basic
     • short tutorial
     • basic/Tensor-and-Variable
     • basic/autograd
     • basic/dynamic-graph
   • NN & Optimization
     • nn/linear-regression-gradient-descend
     • nn/logistic-regression
     • nn/nn-sequential-module
     • nn/bp
     • nn/deep-nn
     • nn/param_initialize
     • optim/sgd
     • optim/adam
   • CNN
     • cnn/basic_conv
     • cnn/minist (demo code)
     • cnn/batch-normalization
     • cnn/regularization
     • cnn/lr-decay
     • cnn/vgg
     • cnn/googlenet
     • cnn/resnet
     • cnn/densenet
   • RNN
     • rnn/pytorch-rnn
     • rnn/rnn-for-image
     • rnn/lstm-time-series
   • GAN
     • gan/autoencoder
     • gan/vae
     • gan/gan

其他参考

• 资料速查

  • 相关学习参考资料等
  • 一些速查手册

• Python

  • 安装Python环境
  • Python tips

• 机器学习方面

  • Confusion Matrix
  • Datasets
  • 构建深度神经网络的一些实战建议
  • Intro to Deep Learning