Please enable JavaScript.
Coggle requires JavaScript to display documents.
( Artificial Intelligence ) (Ｐｙｔｈｏｎ入門到機器學習實戰 (Python 入門 (2.0 程式初心者的程式學習方法,…
( Artificial Intelligence )
Map
基礎
python / R
機率統計
探索式資料分析
資料視覺化
回歸分析
實驗設計
時間序列分析
資料探勘
機器學習
DL
探勘技術
推薦系統
影像處理
電腦視覺
文字探勘
自然語言處理
社群網路分析
進階
製造資料分析
金融
商業
物聯網 smartcity
區塊鏈
人群行為
資料工程
爬蟲
互動式資料視覺化
D3.JS
非關聯式資料庫
Elastic Stack
分散式資料庫
Hadoop
Spark
Deep L
元學習
無監督式學習
概率模型
顯示密度模型
易解模型
NADE
PixelRNN
難解模型
波爾茲曼BMV
變分自編碼器VAE
隱性密度模型
生成對抗網路GAN
非概率模型
稀疏編碼
自編碼器
K-means
模組化深度學習
監督學習
優化算法
隨機梯度下降SGD
二階算法
自主學習
目標函數
EMD
KL散度
基於能量模型
層
卷積神經網路CNN
PixelCNN
自回歸層
遞歸神經網路RNN
PixelRNN
全連接層MLP
帶有記憶的層
長短時記憶模型LSTM
市場驅動的調整
強化學習
策略優化
無導數優化方法
策略梯度方法
動態編程
值疊代
Q-Learning
策略疊代
Actor Critic
Python
(數據結構)NumPy & Pandas
Ｐｙｔｈｏｎ入門到機器學習實戰
機器學習: 分群 clustering
6.1 K-means
6.2 階層式集群（Hierarchical Clustering）
6.3 譜聚類分析（Spectral clustering）
6.4 分群效果評估
機器學習: 分類 classfication
5.1 邏輯迴歸（Logistic Regression）
5.2 貝式分類器（Native Bayes Classifier）
5.3 決策分類樹（Decision Tree Classifier）
5.4 支持向量機（Support Vector Machine, SVM）
5.5 KNN最近鄰居法（KNN）
5.6 決策邊界與分類模型評估
Python 入門
2.0 程式初心者的程式學習方法
2.1 資料型態、數學運算與資料結構
2.2 條件判斷與控制結構
2.3 函式
2.4 物件導向 OOP
2.5 例外處理
2.6 python 模組
2.7 資料處理 pandas
2.8 資料運算Numpy
2.9 資料視覺化 pandas / Matplotlib
2.10 總結與實戰專題
機器學習: 迴歸 Regression
4.1 線性迴歸
4.2 多項式迴歸
4.3 決策樹迴歸（Decision Tree Regression）
4.4 迴歸模型評估: 性能指標 MSE、R Squar 與Overfitting/Underfitting
學習地圖與Python 開發環境安裝
1.1 課程學習地圖
1.2安裝Anaconda 與建立Anaconda虛擬環境
1.3 安裝對應套件與環境設置
1.4 git & github 簡介與使用
初探機器學習與scikit-learn
3.1 機器學習、深度學習、資料科學介紹與差異
3.2 機器學習流程及方法
3.3 資料預處理
3.4 資料降維與選擇
Ｍａｃｈｉｎｅ Ｌｒｅａｎｉｎｇ
Ｄｅｅｐ Ｌｒｅａｎｉｎｇ
版本二
scikit-learn algoithm cheat-seet
大於50 samples
no
??? more data
yes
prediciting a category
no
