Algorithms_Note

算法工程师技术栈学习笔记

01-Python学习

• Scipy处理稀疏矩阵
• Pandas
• 操作Json文件

02-线性代数

03-最优化

• 梯度下降、加速梯度下降、随机梯度下降、随机坐标下降

04-传统机器学习

• 1. 线性回归
• 2. 感知机
• 3. K近邻

05-概率论机器学习

06-深度学习框架

• PyTorch教程1-Tensor核心知识点
• PyTorch教程2-DataSet与DataLoaders
• PyTorch教程3-DataSet与DataLoaders源码解析
• PyTorch教程4-神经网络基础功能模块
• PyTorch教程5-nn.Module类的源码讲解
• PyTorch教程6-自动微分以及autograd的使用.ipynb
• PyTorch教程7-神经网络整体训练流程
• PyTorch教程8-保存与加载PyTorch训练模型和超参数

07-深度学习

01-深度学习基础

02-卷积神经网络

• 01-卷积网络代码级原理理解
• 02-卷积操作在PyTorch中实现与使用
• 03-卷积算子融合

03-循环神经网络

• 01-序列模型、语言模型
• 02-RNN原理与Numpy实现
• 03-LSTM原理与Numpy实现
• 04-GRU原理与Numpy实现

04-Transformer

• 01-Transformer-API详解
• 02-Attention机制
• 03-Transformer全流程代码

05-图网络

06-生成对抗学习

07-多任务学习

08-少样本学习

08-自然语言处理

09-推荐系统

10-语音处理

11-强化学习

12-组合优化

• 遗传算法求解TSP问题
• 分支定界

13-机器视觉

14-深度视觉

15-迁移学习

16-联邦学习

17-机器博弈

参考

• nlp_notes