OSN博士必须掌握的必杀技(更新至2017/12/15)
左丘子平
以下内容更新至2017.12.15
1.概率图模型
1.1 Representation
1.1.1 The Bayesian Network Representation
1.1.2 Undirected Graphical Models
1.1.3 Local Probabilistic Models
1.1.4 Template-Based Representations
1.1.5 Gaussian Network Models
1.1.6 The Exponential Family
1.2 Inference
1.2.1 Variable Elimination
1.2.2 Clique Trees
1.2.3 Inference as Optimization
1.2.4 Particle-Based Approximate Inference
1.2.5 MAP Inference
1.2.6 Inference in Hybrid Networks
1.2.7 Inference in Temporal Models
1.3 Learning
1.3.1 Parameter Estimation
1.3.2 Structure Learning in Bayesian Networks
1.3.3 Partially Observed Data
1.3.4 Learning Undirected Models
1.4 Actions and Decisions
1.4.1 Causality
1.4.2 Utilities and Decisions
1.4.3 Structured Decision Problems
2. 十大经典机器学习算法
2.1 K近邻(KNN)
2.2 K-means
2.3 朴素贝叶斯
2.4 决策树
2.4.1 ID3
2.4.2 C4.5
2.5 logistic回归与最大熵模型
2.6 支持向量机
2.7 AdaBoost/提升树
2.8 EM
2.9 隐马尔可夫
2.10 条件随机场
2.11 简单的预测
2.11.1 最小二乘法
2.11.2 径向基网络
2.11.3 岭回归
3. 基本的deep learning算法
3.1 卷积神经网络
3.2 循环/递归神经网络
3.3 自编码器
3.4 线性分解机
3.5 玻尔兹曼机
3.6 深度置信网络
3.7 蒙特卡洛方法
4. 比较前沿的deep/machine learning 算法
4.1 represent learning
4.2 structured probabilistic models for deep learning
4.3 注意力机制
4.4 强化学习
5. 通用算法
5.1 random walk
5.2 图
5.2.1 图的表示
5.2.2 图的搜索
5.2.3 拓扑排序/强连通分量
5.2.4 最小生成树
5.2.5 单源最短路径
5.2.6 成对最短路径
5.2.7 最大流
5.3 树与二叉树
5.4 查找与排序
5.5 表/栈/队列
5.6 分治
5.7 递归
5.8 线性规划
5.9 贪心算法
5.10 摊还分析
5.11 多线程算法
5.12 矩阵运算
5.13 傅立叶变换
5.14 数论算法
5.15 字符串匹配
5.16 计算几何
5.17 NP完全性
5.18 近似算法
6. 简单的凸优化理论
7. 元路径与异构信息网
8. 基本的多媒体
基本的图片处理与音频/视频处理技术
9. 基本的编程能力
9.1 科学研究必备
9.1.1 Python
9.1.2 Matlab
9.1.3 Keras
9.1.4 Tensorflow
9.2 打造你的小型项目
9.2.1 Node.js
9.2.3 JavaScript
9.2.4 Python-Django
9.2.5 html
9.2.6 css
9.5 让想法变成现实
9.5.1 Swift
9.5.2 Azure
9.5.3 React Native
10. 基本的NLP
10.1 了解分词技术
10.2 NLP中的概率图模型
10.3 词性标注与命名实体识别
10.4 句法分析
10.5 语义网
10.6 机器翻译
10.7 对话机器人
10.8 语言模型和经典理论
10.8.1 LDA
10.8.2 skip gram
10.9知识图谱与本体
11. 时间序列分析
11.1 波松过程
11.2 高斯过程
12. 基本的推荐方法
12.1 协同过滤
12.2 矩阵分解理论
13. 社会媒体挖掘
13.1 复杂网络基础
13.2 社区发现
13.3 信息传播与影响力
13.4 行为分析与预测
类似资料：