关键字-机器学习领域

评论
35 views

以下是机器学习领域中的主要关键字分类及其简要解释，涵盖基础理论、算法、技术和应用领域等：

一、基础概念

  • 数据：训练集、验证集、测试集、特征、标签
  • 模型：参数、超参数、假设空间
  • 目标函数：损失函数（MSE、Cross-Entropy）、正则化项
  • 优化：梯度下降法、学习率、优化器

二、算法类型

1. 监督学习

  • 回归：线性回归、岭回归、LASSO
  • 分类：逻辑回归、支持向量机（SVM）、k-近邻（k-NN）
  • 树模型：决策树、随机森林、梯度提升树（GBDT、XGBoost、LightGBM、CatBoost）

2. 无监督学习

  • 聚类：k-Means、DBSCAN、层次聚类
  • 降维：主成分分析（PCA）、t-SNE、UMAP

3. 半监督学习

  • 伪标签、基于生成模型的方法

4. 强化学习

  • Q-learning、策略梯度（Policy Gradient）、深度强化学习（DQN、PPO）

5. 深度学习

  • 网络类型：前馈神经网络（FNN）、卷积神经网络（CNN）、循环神经网络（RNN）、Transformer
  • 生成模型：生成对抗网络（GAN）、变分自编码器（VAE）

三、核心技术

1. 数据处理

  • 数据清洗、特征工程、特征选择
  • 数据归一化、标准化

2. 模型训练

  • 反向传播（BP）
  • 激活函数（ReLU、Sigmoid、Tanh）
  • 正则化（L1、L2、Dropout）

3. 模型评估

  • 指标：准确率、精确率、召回率、F1 分数、AUC-ROC
  • 交叉验证

4. 模型优化

  • 学习率调度、梯度剪裁
  • 参数初始化（Xavier、He 初始化）

四、工程与应用

1. 机器学习框架

  • TensorFlow、PyTorch、Scikit-learn、Keras

2. 工具

  • NumPy、Pandas、Matplotlib、Seaborn、OpenCV
  • 自动机器学习（AutoML）、网格搜索、贝叶斯优化

3. 应用领域

  • 自然语言处理（NLP）：词向量（Word2Vec、GloVe）、Transformer、BERT
  • 计算机视觉：目标检测、图像分类、语义分割
  • 推荐系统：协同过滤、矩阵分解、深度推荐模型（DeepFM）
  • 时间序列分析：ARIMA、LSTM、Prophet

五、前沿与趋势

  • 大模型：GPT、DALL-E、ChatGPT、Stable Diffusion
  • 强化学习前沿：AlphaGo、AlphaZero
  • 多模态学习：跨视觉和语言的联合建模
  • 联邦学习：隐私保护和分布式训练

这份关键字列表可以作为深入学习和应用机器学习的指南。若需更详细的解释或学习路径，可进一步探讨！