机器学习100天

3月16日发布在AI

第1天:数据预处理

开始机器学习的第一步是数据预处理。了解如何处理缺失数据、编码分类变量、特征缩放以及数据集的划分。

第2天:简单线性回归

学习简单线性回归的基本概念,如何通过最小二乘法拟合数据,并理解回归系数的含义。

第3天:多元线性回归

扩展线性回归到多个自变量,理解多元线性回归的模型构建和参数估计。

第4天:逻辑回归

初步接触逻辑回归,了解其用于分类问题的基本原理。

第5天:逻辑回归的数学基础

深入研究逻辑回归的数学原理,包括代价函数的计算和梯度下降法的应用。

第6天:逻辑回归实践

通过实际案例进一步理解逻辑回归的应用,并尝试编写相关代码。

第7天:K近邻法(k-NN)

学习K近邻法的基本概念,理解其如何通过距离度量进行分类。

第8天:逻辑回归的数学细节

通过阅读相关资源,进一步理解逻辑回归的数学细节,特别是损失函数和优化过程。

第9天:支持向量机(SVM)

了解支持向量机的基本原理,理解其如何通过寻找最优超平面进行分类。

第10天:SVM与k-NN

比较支持向量机和K近邻法的优缺点,理解它们在不同场景下的应用。

第11天:K近邻法实践

通过实际案例进一步理解K近邻法的应用,并尝试编写相关代码。

第12天:支持向量机实践

通过实际案例进一步理解支持向量机的应用,并尝试编写相关代码。

第13天:支持向量机实现

使用Scikit-Learn库实现支持向量机,理解其在实际应用中的表现。

第14天:SVM与核技巧

学习支持向量机中的核技巧,理解其如何通过映射到高维空间来解决非线性问题。

第15天:朴素贝叶斯分类器与黑盒机器学习

学习朴素贝叶斯分类器的基本原理,并开始了解黑盒机器学习的概念。

第16天:SVM与核技巧实现

使用Scikit-Learn库实现支持向量机及其核函数,理解其在高维空间中的应用。

第17天:深度学习入门

开始在Coursera上学习深度学习专业课程,完成前两周的内容,并理解逻辑回归神经网络的基本原理。

第18天:深度学习实践

完成Coursera深度学习课程的第一部分,并尝试用Python实现一个简单的神经网络。

第19天:Yaser Abu-Mostafa教授的机器学习课程

开始学习Yaser Abu-Mostafa教授的Caltech机器学习课程,理解感知器算法的基本原理。

第20天:深度学习进阶

完成深度学习专业课程的第二部分,学习如何改进深度神经网络的性能,包括参数调整、正则化和优化。

第21天:网页爬虫

学习如何使用Beautiful Soup进行网页爬虫,收集数据用于模型构建。

第22天:机器学习理论

完成Yaser Abu-Mostafa教授的Caltech机器学习课程的第二部分,学习Hoeffding不等式及其在机器学习中的应用。

第23天:决策树

学习决策树的基本原理,理解其如何通过递归分割数据进行分类。

第24天:统计学习理论

了解统计学习理论的基本概念,包括输入空间、动作空间、结果空间、预测函数、损失函数和假设空间。

第25天:决策树实践

通过实际案例进一步理解决策树的应用,并尝试编写相关代码。

第26天:线性代数复习

开始复习线性代数,通过3Blue1Brown的视频理解向量、线性组合、跨度、基向量、线性变换和矩阵乘法。

第27天:线性代数进阶

继续学习线性代数,理解三维变换、行列式、逆矩阵、列空间、零空间和非方矩阵。

第28天:线性代数应用

进一步学习线性代数中的点积和叉积,理解其在机器学习中的应用。

第29天:线性代数总结

完成线性代数的复习,理解特征向量和特征值,以及抽象向量空间的概念。

第30天:微积分入门

开始学习微积分,理解导数、链式法则、乘积法则和指数导数的基本概念。

第31天:微积分进阶

继续学习微积分,理解隐函数求导和极限的概念。

第32天:微积分总结

完成微积分的学习,理解积分和高阶导数的基本概念。

第33天:随机森林

学习随机森林的基本原理,理解其如何通过集成多个决策树进行分类。

第34天:随机森林实践

通过实际案例进一步理解随机森林的应用,并尝试编写相关代码。

第35天:神经网络入门

通过3Blue1Brown的视频理解神经网络的基本概念,特别是其如何通过多层感知器进行分类。

第36天:梯度下降法

学习梯度下降法的基本原理,理解其如何通过迭代优化神经网络的参数。

第37天:反向传播法

了解反向传播法的基本原理,理解其如何通过计算偏导数来更新神经网络的参数。

第38天:反向传播法实践

通过实际案例进一步理解反向传播法的应用,并尝试编写相关代码。

第39天:深度学习基础

开始学习深度学习的基础知识,包括Python、TensorFlow和Keras的基本使用。

第40天:深度学习进阶

继续学习深度学习的基础知识,理解如何构建和训练深度神经网络。

第41天:深度学习实践

通过实际案例进一步理解深度学习的应用,并尝试编写相关代码。

第42天:深度学习总结

完成深度学习的基础学习,理解如何通过TensorFlow和Keras构建复杂的神经网络模型。

第43天:K-均值聚类

开始学习无监督学习中的聚类算法,理解K-均值聚类的基本原理。

第44天:K-均值聚类实践

通过实际案例进一步理解K-均值聚类的应用,并尝试编写相关代码。

第45天:Numpy深入学习

开始学习Numpy库,理解其在数据科学中的基本应用,特别是数组操作和数值计算。