网站基本设置/编程培训

第一部分：基础概念

1. 机器学习概述
   • 1.1 人工智能与机器学习
   • 1.2 机器学习分类
   • 1.3 机器学习应用
   • 1.4 机器学习常用术语解释
2. 模型的评估与选择
   • 2.1 经验误差与过拟合
   • 2.2 评估方法
   • 2.3 性能度量
   • 2.4 偏差与方差

---

第二部分：核心算法

3. 线性模型
   • 3.1 什么是回归
   • 3.2 一元线性回归
   • 3.3 多元线性回归
   • 3.4 对数几率回归
   • 3.5 线性判别分析（LDA）
   • 3.6 多分类学习
   • 3.7 类别不平衡问题
4. 决策树
   • 4.1 决策树概述
   • 4.2 ID3算法
   • 4.3 C4.5算法
   • 4.4 CART决策树
   • 4.5 剪枝处理
   • 4.6 连续与缺失值处理
5. 神经网络
   • 5.1 神经元模型
   • 5.2 感知机与多层网络
   • 5.3 反向传播算法
   • 5.4 全局最小与局部最小
6. 支持向量机
   • 6.1 间隔与支持向量
   • 6.2 对偶问题
   • 6.3 核函数
   • 6.4 软间隔
7. 贝叶斯分类器
   • 7.1 贝叶斯决策论
   • 7.2 极大似然估计（MLE）
   • 7.3 朴素贝叶斯分类器
   • 7.4 EM算法

---

第三部分：高级主题

8. 集成学习
   • 8.1 个体与集成
   • 8.2 Boosting
   • 8.3 Bagging与随机森林
   • 8.4 结合策略
   • 8.5 多样性（diversity）
9. 聚类
   • 9.1 聚类任务
   • 9.2 性能度量
   • 9.3 距离计算
   • 9.4 k-means聚类
   • 9.5 学习向量量化（LVQ）
   • 9.6 高斯混合模型（GMM）
   • 9.7 密度聚类
   • 9.8 层次聚类
10. 降维

• 10.1 k近邻学习（kNN）
• 10.2 主成分分析（PCA）

11. 特征选择与稀疏学习

• 11.1 子集搜索与评价
• 11.2 过滤式选择
• 11.3 包裹式选择
• 11.4 嵌入式选择与正则化

---

第四部分：扩展领域

12. 计算学习理论
    （无子章节）
13. 半监督学习

• 13.1 主动学习与半监督学习
• 13.2 生成式方法
• 13.3 半监督SVM
• 13.4 图半监督学习
• 13.5 基于分歧的方法
• 13.6 半监督聚类

14. 隐马尔可夫模型

• 14.1 隐马尔可夫模型概念
• 14.2 概率计算问题
• 14.3 学习问题
• 14.4 预测问题

15. 强化学习

• 15.1 任务与奖赏
• 15.2 k-摇臂赌博机