AI基础知识库

一、概述

本项目是我这两三年研究的人工智能方面的一些总结，主要包括如下内容

1. 机器学习

机器学习部分主要包括机器学习常用的十二种算法，包括K近邻、线性回归、逻辑回归、决策树、Bagging与随机森林、提升算法、Stacking算法、支持向量机、聚类、EM与高斯混合模型、贝叶斯网络与隐马尔科夫模型

2. 深度学习

深度学习主要总结了图像与视频方面的深度学习算法，包括物体分类、目标识别、图像分割、关键点识别、自编码器与图片生成、风格迁移、人脸识别，自然语言处理(NLP)等等方面的知识

3. 强化学习

强化学习主要总结了常用的强化学习算法

二、机器学习

机器学习主要是使用输入样本进行分类或者回归的预测。

• 分类，就是指样本的预测结果是离散的，比如给定各种不同的鸢尾花的样本，来预测给定鸢尾花的具体类型，样本中一般包含能够分辨类型的特征数据；
• 回归，就是指样本的预测结果是连续的，比如给定波士顿近几年的房价数据，来预测将来的房价，样本中一般包含房屋的年龄，具体位置，面积等等关键信息的数据；

三、深度学习

四、强化学习

五、参考资料

===

1. senliuy的gitbook资料
2. fourmi_gsj的博客
3. 麻省理工公开课：线性代数
4. 麻省理工公开课：单变量微积分
5. 浙江大学概率与统计公开课
6. Morvan的学习资料
7. 其它的一些网络资料

捐助