人工智能机器学习入门与进阶学习线路推荐
同学们大家好，我是卢菁；自入行机器学习多年来，有不少同学问过我有没有一份完整的机器学习入门-进阶学习路线；说过不少次，但是一直没有如何完整的写出来；恰逢今日有空，便编辑了一下，这是我整理教学的机器学习入门与进阶学习线路，包括基础部分与多个项目讲解，项目内容基本都是给各大企业培训或是我工作跑来；基本满足国内百分之八十AI岗位需求；当然这只是我个人整理，更多的也需要自己多学习，记住：机器学习是一门不需要进行明确编程就能使计算机发挥作用的科学：学习基础编码知识、机器学习及深度学习、专注于一个角色。
目录基础部分一：特征向量和距离二：线性回归三：逻辑回归四：无监督模型五：因子分解模型-FM模型六：深度神经网络七：深度学习进阶八：序列神经网络九：自然语言处理十：计算机视觉进阶板块一：机器学习进阶二：NLP大规模预训练模型三：中文自然语言处理四：自然语言处理五：推荐系统六：计算机视觉基础部分一：特征向量和距离人工智能技术综述
1.1人工智能和机器学习的关系
1.2人工智能主要方向剖析
1.3人工智能学习路线规划
特征提取:物理世界的数学描述
2.1onehot和multihot
2.2图像特征和边缘提取
2.3连续特征的正规化和分段
2.4行为类特征的向量化
2.5社交类特征的向量化
2.6离散特征的向量化
向量之间的距离计算以及使用场景
3.1欧氏距离、海明距离、闵可夫斯基距离
3.2内积距离
3.3雅克比相似度和雅克比距离
3.4各类距离的比较以及优缺点
3.5numpy入门以及距离计算
二：线性回归线性回归概述
1.1线性回归的定义
1.2线性回归的适用场景
1.3岭回归
模型评估
2.1线性回归的评测方法
2.2训练集和测试集
2.3模型的泛化能力
模型学习方法
3.1损失函数MSE和最小二乘法
3.2导数的定义和计算
3.3极大值和极小值
3.4梯度下降法
3.5从几何角度理解梯度下降法
sklearn框架
4.1sklearn框架的介绍、安装方法4.2使用sklearn完成线性回归模型
深入理解线性回归
5.1多项式回归解决非线性问题
5.2特征元余和曝音特征
5.3线性回归和正态分布
三。逻辑回归
分类任务和概率
1.1多分类和二分类
1.2分类模型和率模型
三：逻辑回归2.1感知器及其局限性
2.2sigmoid函数详解
2.3逻辑回归在分类问题上的应用
2.4模型的正则化
梯度下降法
3.1sigmoid函数的导数推导
3.2逻辑回归的损失函数KL距离
3.3梯度下降法在逻辑归上的应用
3.4学习因子的设定
3.5正则项在逻辑回归中的必要性
逻辑回归实战
4.1使用sklearn实现逻辑回归
4.2使用TensorFlow实现逻辑回归
4.3辑回归调参指南
损失函数的选择和对比
5.1KL距离和MSE的区别
5.2KL距离背后的统计学原理
5.3KL距离和交叉熵
逻辑回归的统计学原理
6.1最大似然估计和KL损失函数
6.2.逻辑回归和正态分布
模型的正则化
7.1L1正则和L2正则的异同
7.2正则化和过拟合
7.3从概率的角度理解正则化
74sklearn如何进行正则化的实现
分类模型的评价指标
8.1正确率，准确率和召回率
8.2AUC和ROC
8.3各类分类指标的优点、局限性
8.4代码实战各类指标的计算
四：无监督模型Kmeans模型
1.1聚类的目的和意义
1.2Kmeans模型详解以及参数学习
1.3使用sklearn进行Kmeans模型实战
14Kmeans模型的缺点
1.5Kmeans各类改进版本
1.6EM算法详解
1.7Kmeans算法和逻辑回归
隐式主题模型-LDA
2.1LDA模型的原理
2.2LDA模型的求解
2.3LDA主题模型实战:推荐系统中的应用
2.4LDA模型背后的概率意义
2.5吉布斯采样
2.6LDA模型代码实战
五：因子分解模型-FM模型特征交叉原理和FM模型
1.1特征交叉的原理和意义
1.2特征交叉的数学实现
1.3通过内积简化特征交叉
1.4FM模型原理详解
1.5FM模型和逻辑回归异同解析
FM模型的数学推导
2.1FM模型在数学上的化简
2.2梯度下降法在FM模型中的应用
使用python进行FM模型实战
六：深度神经网络深层模型的意义
1.1特征变换和特征提取
1.2激活函数的意义和必要性
1.3深层模型架构
1.4softmax函数和多分类
1.5深度学习和神经网络
1.6shortcut结构详解
常见激活困数
2.1sigmoid激活函数详解
2.2tanh激活函数详解
2.3relu激活函数详解
2.4relu函数的改进版本详解
softmax函数和多分类
3.1softmax函数的推导和onehot向量的关系3.2softmax的导数推导
3.3多分类和多标签
深度学习实战
4.1主流机器学习框架平台介绍
4.2TensorFlow和keras框架详解
4.3如何调用自己的GPU
4.4深度学习实战:用keras搭建自己的神经网络
七：深度学习进阶梯度下降法
1.1矩阵和向量的求导法则
1.2矩阵和向量的链式法则
1.3梯度下降法在深层神经网络中的推导和应用1.4梯度消失和梯度爆炸产生原因分析及解决方案
1.5鞍点、局部极小、以及解决方案
权重初始化
2.1权重的对称性及其危害
2.2随机初始化权重的方法
梯度下降法及其改进
3.1传统梯度下降法的缺点
3.2SGD算法
3.3动量法
3.4RMSprop算法
3.5Adam算法
3.6改进型梯度下降法在keras中的实现
输入的标准化
4.1准化的意义
4.2批标准化以及keras的实现
4.3层标准化以及keras的实现
深度学习的正则化
5.1L1正则和L2正则在深度学习中的应用
5.2dropout以及keras实现
八：序列神经网络循环神经网络
1.1时序模型以及使用场景
1.2RNN模型以及keras的实现
1.3LSTM模型以及keras的实现
1.4GRU模型以及keras的实现
1.5时序模型代码实战
Attention神经网络
2.1seq2seq架构
2.2Attention模型
2.3常见注意力算法
2.4self-attention
2.5多抽头Attention
2.6transformer架构
2.7attention模型在图像中的应用
九：自然语言处理word2vec和fasttext
1.1自然语言处理和语言模型
1.2词向量模型word2vec
1.3skipgram和cbow构建方法
1.4霍夫曼树和负采样
1.5fasttext模型和文本分类
1.6子词模型
1.7word2vec和fasttext的代码实战
大模型之Bert
2.1NLP的龙骨模型-Bert
2.2Bert模型的训练方法
2.3Bet模型的应用
2.4模型实战
2.5常见的改进方法
十：计算机视觉深入理解卷积层
1.1卷积的物理意义
1.2卷积层的操作方法
1.3卷积层步长和窗口选取技巧
1.4卷积层的keras实现
1.5常见卷积改进方法
池化层
2.1最大池化
2.2值池化
2.3池化层的keras实现
图像分类
3.1图像分类常用数据集介绍:coco
imagenet等
3.2多层卷积神经网络在图像分类中的应用
卷积在文本分类中的应用
4.1卷积在文本特征提取的方法
4.2textCNN详解
进阶板块一：机器学习进阶机器学习进阶
1.1分类模型的底层逻辑
1.2机器学习特征提取方法和技巧
1.3随机森林，GBDT，XGBoost模型详解
1.4神经网络的可解释性分析
1.5对抗学习:gan和wgan
16生成式模型VAE
1.7AIGC和扩散学习
二：NLP大规模预训练模型GoogleBert模型精讲
11NLP的龙骨模型-Bert
1.2Bert模型的训练方法
1.3Bert模型的应用
14Bert模型实战
Bert模型改进
2.1Elmo模型
2.2XLNet模型
三：中文自然语言处理百度ernie模型
1.1paddle框架学习
1.2知识图谱构建
1.3ernie大模型训练精讲
1.4ermie大模型使用场景精讲
中文分词精讲
2.1序列标注与深度学习
2.2HMM模型精讲
2.3CRF模型精讲
2.4CRF和LSTM结合精讲
2.5中文分词代码实战
新词发现
3.1信息熵和大数据
3.2中文信息熵计算
3.3基于信息熵的中文新词发现
四：自然语言处理京东客服:智能聊天机器人
1.1智能聊天机器人整体框架
1.2文本匹配模型
1.3深度语义理解模型
1.4Attention和语义匹配
1.5度量学习和语义快速检索
腾讯新闻:内容平台的文本分类
2.1文本分类任务:多标签和多分类
2.2情感分析实战
2.3垃圾过滤实战
2.4样本不均衡和解决方案
腾讯百万级实体知识图谱精讲
3.1结构化数据的抽取
3.2neo4j数据库介绍和常见查询语句
3.3transE模型及其改进
3.4大规模图随机游走算法
3.5知识图谱的落地场景和实际应用
腾讯新闻内容理解-长文本标签抽取实战
4.1标签抽取和关键词抽取
4.2基于textrank的标签抽取
4.3异质标签的归一化
4.4基于双塔模型的标签抽取
4.5基于分类模型的标签抽取
新浪舆情系统-文本摘要抽取
5.1抽取式摘要抽取
5.2基于Bert的摘要抽取
5.3基于大模型的生成式摘要
Huggingface实战
6.1Huggingface为NLP领域带来的变革与价值
6.2Huggingface各核心模块使用方法及其应用流程
6.3机器翻译模型详解
五：推荐系统推荐系统整体架构
1.1内容生产和内容理解
1.1.1推荐系统的内容生产
1.1.2内容审核和内容打标
1.1.3内容有效期预测
1.2内容分发
1.2.1召回阶段的目的、意义和设计思想1.2.2排序阶段的目的、意义和设计思想
1.3推荐系统的评价指标
1.3.1推荐系统的商业价值
1.3.2日活、CTR、人均时长等指标分析召回模型
2.1基于行为类的召回
2.1.1协同过滤:itemCF
2.1.2协同过滤:UserCF
2.1.3随机游走模型:node2vec
2.1.4行为类召回的优势、缺点总结
2.2基于内容类的召回
2.2.1基于文本embedding的召回系统
2.2.2基于标签体系的召回系统
2.2.3基于up主的召回系统
2.2.4微软D5SM双塔召回模型
2.2.5最近邻快速检索工具annoy和faiss
2.3YoutubeDNN召回系统
2.3.1用户行为特征、自然属性特征的提取，预处理和归一化
2.3.2item特征提取，预处理和归一化
2.3.3负采样:NCE和sampledSoftmax
2.3.3youtubeDNN召回系统
2.4交叉特征召回
2.4.1FM模型在召回系统中的应用
2.4.2FFM模型在召回系统中的应用
2.4.3矩阵分解SVD在召回系统中的应用
排序系统
3.1CTR预估
3.1.1排序指精讲
3.1.2AUC和userAuC
3.2.Deep&Cross
3.2.1模型结构精讲
3.2.2特征交叉详解
3.2.3使用keras实现Deep&Cross模型
3.3.xDeepFM
3.3.1模型结构精讲
3.3.2CIN模块
3.3.3使用keras实现xDeepFM模型
3.4逻辑回归在排序模型中的应用
3.4.1逻辑回归精讲
3.4.2详解大规模特征工程
3.4.3逻辑回归在百度凤巢系统
3.5阿里巴巴DIN模型详解
3.5.1Base模型详解
3.5.2DIN模型详解
3.5.3DIEN模型详解
3.5.4DSIN模型详解
3.6阿里CVR预估模型ESMM
3.6.1CVR预估的场景和挑战
3.6.2ESMM模型详解
3.6.3隐式学习pCVR
3.6.4样本选择(BBS)问题的解决方案
3.6.5样本稀疏(DS)问题的解决方案
推荐系统指标体系构建
4.1AB测试
4.1.1流量分桶的原理
4.1.2AB测试置信度计算
4.1.3基于分层的AB测试
排序系统
4.2.指标评价体系
4.2.1推荐系统的商业价值
4.2.2ctr提升的方法
4.2.3人均时长提升方法
微信视频号推荐实战
5.1特征提取
5.1.1文本内容特征提取
5.1.2短视频内容embedding抽取5.1.3短视频画面embedding抽取
5.1.4短视频多模态embedding抽取5.2.推荐系统核心代码实战
5.2.1召回系统代码实战
5.2.2排序系统代码实战
六：计算机视觉目标检测
1.1深度学习经典检测方法概述1.2YOLO-V1整体思想与网络架构
1.3YOLO-V2改进细节详解
14YOLO-V3核心网络模型
1.5基于V3版本进行源码解读
1.6基于YOLO-V3训练自己的数据集与任务
1.7YOLO-V4版本算法解读
1.8YOLO-V8版本算法解读
1.9人脸检测模型的详解
1.10关键人物识别详解
乳腺癌识别
2.1医学影像的难点
2.2迁移学习
2.3模型精调
2.4VGG模型详解
2.5实战乳腺癌医学影像识别
图像分割
3.1图像分割及其损失函数概述
3.2卷积神经网络原理与参数解读
3.3Unet系列算法讲解
3.4Unet医学细胞分割实战
3.5U2NET显著性检测实战
3.6deeplab系列算法
3.7基于deeplabV3+版本进行VOC分割实战
3.8医学心脏视频数据集分割建模实战
3.9MedicalTransformer分割实战
3.10MedicalTransformer源码实现与应用实例3.11可学习位置编码模块对分割算法的作用分析3.12分割任务如何标注与训练自己的项目
如果在学习过程中遇到问题可以V：AI_000916和我一起交流学习。
--卢菁