Python-Lernplan für das KI-Lernen Fortschrittsmanagement

Hintergrund und Zweck

Weil das Erlernen von Python von Chainer vorbei zu sein scheint Ich werde den Plan überprüfen

Fazit

Lernen Sie die unten vorgestellten Fachbücher kennen und geben Sie Anwendungen mithilfe von maschinellem Lernen aus.
Ich werde mein Bestes geben! !! !!

Inhalt

** Vorerst gelernt **

• Mathematik für maschinelles Lernen erforderlich
• Python
• Kenntnisse des maschinellen Lernens
• Differenzierung (bis zur teilweisen Differenzierung)
• Lineare Algebra
• Grundlegende Statistiken (Mittelwert, Varianz, Standardabweichung usw.)
• Einfache Mathematik der Regressionsanalyse
• Mathematik der multiplen Regressionsanalyse
• Python(Chainer)
• Berechnung des neuronalen Netzwerks (Vorwärtsausbreitung), lineare Transformation, nichtlineare Transformation, Berechnung des neuronalen Netzwerks (Rückausbreitung) Fehlerrückausbreitungsmethode, Gradientenabstiegsmethode, Mini-Batch-Lernen

Nächster Studienplan (im Grunde scheint es, dass Sie ihn mit einem Fachbuch anfassen können)

Studiere mit diesem Buch

• ** Implementierung eines neuronalen Netzwerks (TensorFlow oder PyTorch) **

• Typischer Algorithmus für überwachtes Lernen (Aufgrund des Besuchs eines Buchladens scheint es notwendig, ein Fachbuch über "maschinelles Lernen" zu studieren.)

Multiple Regressionsanalyse, Ridge-Regression, Lasso-Regression, logistische Regression, k-Nachbarschaftsmethode, Support-Vektor-Maschine, Entscheidungsbaum, Zufallswald, typischer Algorithmus für unbeaufsichtigtes Lernen, k-Mittelungsmethode, Hauptkomponentenanalyse, typische Hyperparameter Anpassungsmethode, Rastersuche, Zufallssuche, Bayes'sche Optimierung, typischer Bewertungsindex der Klassifizierung, korrekte Antwortrate, Präzisionsrate, Rückrufrate, F-Wert </ b>

Weiter nächster Schritt

Das Folgende scheint gut zu sein, wenn Sie entsprechend dem Programm, das Sie machen möchten, angemessen lernen, sodass die Reihenfolge des Lernens wahrscheinlich in der zweiten Hälfte statt jetzt liegt

Bilddaten, Faltungs-Neuronales Netzwerk (CNN), Objekterkennungsalgorithmus (R-CNN, YOLO, SSD usw.), Semantischer Segmentierungsalgorithmus, Satzdaten, Extraktionsmethode für Satzdatenmerkmale (Wortsack, Word2Vec usw.) , Algorithmen für maschinelle Übersetzung (Seq2Seq, Attention usw.)
Zeitreihendaten (1/1 Anzahl der Besucher sind Daten, die einen Kontext in den Daten von 100 Personen haben) Rekursives neuronales Netzwerk (RNN, LSTM, GRU usw.) Convolutional Neural Network (CNN)
Tabellendaten (Daten wie in Excel-Tabelle beschrieben) Feature Quantity Engineering Weiterentwickelte Algorithmen für maschinelles Lernen (XGBoost, LightGBM usw.) </ B>