機器學習、深度學習及NLP的相關一些相關算法

機器學習：

1. 線性回歸（Liner Regression）
2. 邏輯回歸（Logistics Regression）
3. 決策樹（Desision Tree）
   1. 隨機森林（Random Forest）
   2. 梯度提升決策樹（GBDT）
   3. XGBoost
   4. LightGBM
4. 支持向量機（SVM）
5. 概率圖模型（Probabilistic Graphical Model）
   1. 貝葉斯網絡（Bayesian Network）
   2. 馬爾科夫（Markov）
   3. 主題模型（Topic Model）
6. 最大期望算法（EM）
7. 聚類（Clustering）
   1. k均值聚類算法(kMeans)
8. ML特征工程和優化方法
9. k近鄰算法（kNN）

深度學習：

1. 神經網絡（Neural Network）
2. 卷積神經網絡（CNN）
3. 循環神經網絡（RNN）
   1. 門控制單元（GRU）
   2. 長短期記憶（LSTM）
4. 深度學習的優化方法

NLP：

1. 詞嵌入（Word2Vec）
2. 子詞嵌入（fastText）
3. 全局向量嵌入（GloVe）
4. textCNN（深度學習文本分類）
5. 序列到序列模型（seq2seq）
6. 注意力機制（Attention Mechanism）
7. BERT模型

 

自學書籍：

統計學習方法（ML）、蒲公英書（DL）、西瓜書、Deep Learning（花書）

機器學習實戰（ML）

ML、DL工程化較常用的框架：xgboost、pytorch、tensorflow

ML、DL其中很多算法與數學相關，矩陣運算（線性代數）、概率論及一些最優化的方法（微積分等高數相關），涉及相關的數學知識第一列這些書講的都比較好。

自學視頻推薦：

Andrew Ng（吳恩達）《Machine Learning》、《deeplearning.ai》 可以在網易雲課堂上找到。