machinelearning_notebook/README.md

• 机器学习
• • 1. 内容
  • 2. 学习的建议
  • 3. 其他参考资料

机器学习

本教程主要讲解机器学习的基本原理与实现，通过本教程的引导来快速学习Python、Python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，因此需要认真去完成作业和报告，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。

1. 内容

1. 课程简介
2. Python
   • Install Python
   • Introduction
   • Python Basics
   • Print Statement
   • Data Structure 1
   • Data Structure 2
   • Control Flow
   • Function
   • Class
3. numpy & matplotlib
   • numpy
   • matplotlib
   • ipython & notebook
4. knn
5. kMenas
6. Logistic Regression
   • Least squares
   • Logistic regression
7. Neural Network
   • Perceptron
   • Multi-layer Perceptron & BP
   • Softmax & cross-entroy
8. 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 simple demo
     • 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

2. 学习的建议

1. 为了更好的学习本课程，需要大家把Python编程的基础能力培养好，这样后续的机器学习方法学习才比较扎实。
2. 每个课程前部分是理论基础，然后是代码实现。个人如果想学的更扎实，可以自己把各个方法的代码亲自实现一下。做的过程尽可能自己想解决办法，因为重要的学习目标不是代码本身，而是学会分析问题、解决问题的能力。

3. 其他参考资料

• 资料速查

  • 相关学习参考资料汇总
  • 一些速查手册

• 机器学习方面技巧等

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

• Python技巧等

  • 安装Python环境
  • Python tips

• Git

  • Git Tips - 常用方法速查，快速入门
  • Git快速入门 - Git初体验
  • 在win7系统下使用TortoiseGit(乌龟git)简单操作Git
  • Git系统学习 - 廖雪峰的Git教程

• Markdown

  • Markdown——入门指南