算法

算法学习概述

Catalogue
  1. 本章结构
  2. 工作方向
  3. 最近在做
  4. 学习方式
    1. 路径
    2. 资料

本章节主要是机器学习领域的算法介绍以及实践总结。
深层次的更偏向算法工程和实践吧，毕竟精力有限，没有过多的时间和基础在很多算法原理上。
其中主要包括以下几部分：传统机器学习算法、深度学习、图像识别、NLP、算法工程、大模型相关.

本章结构

1.机器学习
机器学习相关概念、传统机器学习、宽泛的机器学习领域应用

2.深度学习
深度学习算法，及常见的模型架构

3.图像识别
深度学习专业领域：图像识别(CV)方向.

4.NLP
深度学习专业领域：自然语言处理(NLP)方向.

5.大模型
入门、应用、进阶、原理.

6.算法工程
包括 算法的 基础设施建设、工程优化、特征工程、以及实践总结.

工作方向

掌握本章内容有助于以下工作内容：

  1. 数据分析师： 使用Python进行数据清洗、处理、分析和可视化.
  2. 机器学习工程师：使用Python和机器学习库如Scikit-Learn进行机器学习模型的开发和优化
  3. 深度学习工程师：使用Python和深度学习库如Tensorflow或PyTorch进行深度学习模型的开发和优化.
  4. AI工程师：结合机器学习和深度学习，开发复杂的人工智能系统.
  5. 数据科学家：结合Python、机器学习、深度学习，从大量数据中提取有价值的信息.

最近在做

1
2
3
4
5
6
7
8
9
1. 模型训练相关知识. 深度学习在异常检测场景的应用实践和评估.
autoencoder 性能满足, 2.8s 处理2w请求. 但需要分析 它的应用场景，可以解决的问题
再试试lstm。 另外 总结下 这些问题场景 以及 可以选择的算法。

2. 对一些核心概念的理解:梯度下降等.

3. 总结目前实际业务中 用到的算法.

总结一些 探索 新内容的 方法论、思维.  在不同的环境中都可以应用新技术、新内容 解决问题。

学习方式

路径

机器学习

阶段一： Python基础

Python的基本语法
Python面向对象

阶段二：数据处理与分析

使用NumPy进行数值计算
使用Pandas进行数据处理和分析
使用Matplotlib和Seaborn进行数据可视化

阶段三：机器学习基础

机器学习基本概念和算法:线性回归、逻辑回归、决策树、随机森林、SVM等.
详见：机器学习基本概念和算法
使用Scikit-Learn进行机器学习

阶段四：深度学习基础

神经网络和深度学习的基本概念
使用Tensorflow或PyTorch进行深度学习

阶段五：人工智能项目实践
进行实际的人工智能项目，如图像识别、语音识别、自然语言处理等(实战项目)
TensorFlow识别MNIST

资料

微软人工智能教育与学习共建社区

机器学习100天。https://github.com/Avik-Jain/