Part0 项目说明 机器学习与模式识别知识的思维导图和笔记。 参考：李航《统计学习方法》、周志华《机器学习》、黄庆明/兰艳艳/郭嘉丰/山世光《模式识别与机器学习》课程 Part1 预修知识 Part2 总概 统计机器学习概论 0.AI垂直领域应用 1.常用特征工程方法 2.常用分类算法 3.常用回归预测算法 4.常用优化方法 Part3 常用模型 1.监督学习SupervisedLearning 1.1.判别函数DiscriminantFunction 总概 线性判别函数 Fisher判别 感知机 最小平方误差法判别 非线性判别 势函数法 广义线性判别 分段线性判别 1.2.贝叶斯分类NaiveBayes 1.3.支持向量机SVM 1.4.决策树DecisionTree 1.5.逻辑斯蒂回归LogisticRegression 1.6.高斯判别模型GaussDiscriminantModel 1.7.神经网络NeuralNetwork 1.8.k近邻kNN 1.9.最大熵模型MaximumEntropyModel 1.10.概率图模型ProbabilityGrapyModel 总概 有向图模型 隐马尔可夫模型HMM 最大熵马尔可夫模型MEMM 无向图模型 条件随机场模型CRF 1.11.线性回归LinearRegressi 856B on 2.半监督学习SemiSupervisedLearning 2.无监督学习UnsupervisedLearning 2.1聚类Clustering 2.2 维归约DimensionReduction 3.集成学习EnsembleLearning Part4 优化算法 1.EM算法 2.梯度下降法 Part5 常用策略 Part6 特定领域应用 1.nlp 1.词的向量表示 2.命名实体识别 2.知识图谱 1.知识图谱简介 2.知识表示方法 3.知识框架学习 4.实体识别 5.实体消歧 6.关系抽取