人工智能AI（1）开篇：小白之学习计划

最近小拾君准备正式开始人工智能相关领域的系统性学习了，看了一些资料及书籍，给自己列个学习计划，分享给大家，与君共勉。后续，将按照本计划（3.1开始）包括但不限于本计划分享学习笔记，敬请期待。本文主要包含以下内容：

1、入门基础

1）、计算机基础

2）、编程语言

3）、数学基础

2、进阶

1）、机器学习

2）、深度学习

3）、深度学习框架

3、高阶

1）、机器学习

2）、强化学习

3）、迁移学习

一入门基础

1、计算机基础（非计算机专业）

1）、数据结构与算法

2）、程序设计基础

2、编程语言

1）、Python与机器学习

Python编程基础

Python数学库

Python机器学习库

2）R语言

3、数学基础

1）、线性代数

标量、向量矩阵和张量

范数与行列式

特征分解、奇异值分解

主成分分析

2）、概率论与数理统计

随机变量及其分布

多元随机变量及其分布

极大似然估计

贝叶斯估计

3）、数值计算

上溢与下溢

剃度优化

约束优化

4）、矩阵

矩阵初步

矩阵变换和线性空间

矩阵求导

5）、凸优化

机器学习与优化方法简介

求解凸优化问题算法

深度学习凸优化

二进阶

1、机器学习

1）、特征工程

数据预处理

特征分析

2）、监督学习

KNN：K近邻算法

线性模型：线性回归 & 逻辑回归

树模型：决策树

朴素贝叶斯

SVM：支持向量机

3）、非监督学习

聚类：K-means（K均值）/EM算法（最大期望）/AP聚类

降维：PCA（主成分分析）,SVD（奇异值分解） 等。

4）、机器学习框架

Scikit-learn

2、深度学习

1）、NN（神经网络）与DNN（深度神经网络）原理

2）、MLP（多层神经网络）

3）、CNN（卷积神经网络）原理及经典模型

AlexNet/VGGNets/GoogleNet/Inception/ResNets

4）、RNN（循环神经网络）原理及经典模型

LSTM（长短记忆网络）模型

5）、GAN（生成式对抗神经网络）

GAN模型及其变种：DCGAN/InfoGAN/Conditional GAN

6）、损失函数与优化算法

3、深度学习框架

1）、TensorFlow/Keras

2）、Caffe

3）、MXNet

4）、Pytorch

三 高阶

1、机器学习

1）、决策树

集成算法：随机森林/GBDT/XGBoost/LightGBM

2）、朴素贝叶斯

贝叶斯网络：HMM（隐马尔科夫模型）、MRF（马尔科夫随机场）、CRF（条件随机场）

3）、协同过滤

4）、FM/FFM

2、强化学习

1）、马尔科夫决策过程

2）、基于模型的动态规划方法

3）、蒙特卡洛方法

4）、时间差分方法

5）、价值函数与策略评价、学习

6）、DQN（深度Q网络：卷积神经网络+强化学习）方法及变种

7）、TRPO方法

3、迁移学习

1）、Fine-tuning

2）、多任务学习

3）、Zero-shot 学习

4）、持续学习

注：本文为小拾君参考很多网络资料整理归纳，有很多术语小拾君暂时也不懂，所以难免存在错误，大家如果有更好的意见或者建议，烦请指出，非常感谢。