OSN博士必須掌握的必殺技(更新至2017/12/15)
阿新 • • 發佈：2019-02-14
以下內容更新至2017.12.15
1.概率圖模型
1.1 Representation
1.1.1 The Bayesian Network Representation
1.1.2 Undirected Graphical Models
1.1.3 Local Probabilistic Models
1.1.4 Template-Based Representations
1.1.5 Gaussian Network Models
1.1.6 The Exponential Family
1.2 Inference
1.2.1 Variable Elimination
1.2.2 Clique Trees
1.2.3 Inference as Optimization
1.2.4 Particle-Based Approximate Inference
1.2.5 MAP Inference
1.2.6 Inference in Hybrid Networks
1.2.7 Inference in Temporal Models
1.3 Learning
1.3.1 Parameter Estimation
1.3.2 Structure Learning in Bayesian Networks
1.3.3 Partially Observed Data
1.3.4 Learning Undirected Models
1.4 Actions and Decisions
1.4.1 Causality
1.4.2 Utilities and Decisions
1.4.3 Structured Decision Problems
2. 十大經典機器學習演算法
2.1 K近鄰(KNN)
2.2 K-means
2.3 樸素貝葉斯
2.4 決策樹
2.4.1 ID3
2.4.2 C4.5
2.5 logistic迴歸與最大熵模型
2.6 支援向量機
2.7 AdaBoost/提升樹
2.8 EM
2.9 隱馬爾可夫
2.10 條件隨機場
2.11 簡單的預測
2.11.1 最小二乘法
2.11.2 徑向基網路
2.11.3 嶺迴歸
3. 基本的deep learning演算法
3.1 卷積神經網路
3.2 迴圈/遞迴神經網路
3.3 自編碼器
3.4 線性分解機
3.5 玻爾茲曼機
3.6 深度置信網路
3.7 蒙特卡洛方法
4. 比較前沿的deep/machine learning 演算法
4.1 represent learning
4.2 structured probabilistic models for deep learning
4.3 注意力機制
4.4 強化學習
5. 通用演算法
5.1 random walk
5.2 圖
5.2.1 圖的表示
5.2.2 圖的搜尋
5.2.3 拓撲排序/強連通分量
5.2.4 最小生成樹
5.2.5 單源最短路徑
5.2.6 成對最短路徑
5.2.7 最大流
5.3 樹與二叉樹
5.4 查詢與排序
5.5 表/棧/佇列
5.6 分治
5.7 遞迴
5.8 線性規劃
5.9 貪心演算法
5.10 攤還分析
5.11 多執行緒演算法
5.12 矩陣運算
5.13 傅立葉變換
5.14 數論演算法
5.15 字串匹配
5.16 計算幾何
5.17 NP完全性
5.18 近似演算法
6. 簡單的凸優化理論
7. 元路徑與異構資訊網
8. 基本的多媒體
基本的圖片處理與音訊/視訊處理技術