Машинное обучение, нейронные сети, AI

1. Машинное обучение

1.1. Обучение с учителем (Supervised learning)

1.1.1. Линейная регрессия

1.1.2. Логистическая регрессия

1.1.3. Метод k ближайших соседей

1.1.4. Решающие деревья и случайные леса

1.1.5. Наивный байесовский классификатор

1.1.6. Метод опорных векторов

1.1.7. ---

1.1.8. Классификация (Classification)

1.1.9. Регрессия (Regression)

1.1.10. Обнаружение аномалий (Anomaly detection)

1.1.11. Ранжирование (Ranking)

1.1.12. Сегментация (Segmentation)

1.1.13. Прогнозирование временных рядов (Time series prediction)

1.1.14. Синтез (Synthesis)

1.2. Обучение без учителя (Unsupervised learning)

1.2.1. Кластеризация (Clustering)

1.2.2. Снижение размерности (Dimensionality reduction)

1.2.3. Ассоциативные правила (Association rule learning)

1.2.4. Генеративные модели (Generative models)

1.2.5. Обнаружение выбросов (Anomaly detection)

1.2.6. Обучение без учителя с подкреплением (Unsupervised reinforcement learning)

1.2.7. Понижение размерности (Manifold learning)

1.2.8. Кодирование и декодирование (Autoencoders)

1.2.9. Рекомендательные системы (Recommendation systems)

1.2.10. Генеративные сети (Generative adversarial networks)

1.3. Обучение с подкреплением (Reinforcement learning)

1.3.1. Модельное обучение (Model-based RL)

1.3.1.1. это подход к обучению с подкреплением, при котором модель обучается предсказывать будущие состояния и возможные награды в зависимости от текущего состояния и действия. Затем алгоритм обучения использует эту модель для принятия решений.

1.3.2. Безмодельное обучение (Model-free RL)

1.3.2.1. это подход к обучению с подкреплением, при котором модель не используется и алгоритм обучения напрямую оптимизирует стратегию принятия решений, основываясь на полученных наградах.

1.3.3. Имитационное обучение (Imitation learning)

1.3.3.1. это подход к обучению с подкреплением, при котором алгоритм обучения учится копировать стратегию, которая была задана заранее экспертом. Это может быть полезно в случаях, когда экспертная стратегия достаточно хороша, но ее сложно формализовать.

1.3.4. Обучение с обратной связью (Feedback-based RL)

1.3.4.1. это подход к обучению с подкреплением, при котором вместо награды, модель получает обратную связь о том, как хорошо она выполняет задачу. Это может быть полезно в случаях, когда целевая функция награды сложно определить.

2. Нейронные сети

2.1. Однослойные нейронные сети

2.2. Многослойные нейронные сети

2.3. Обучение нейронных сетей: обратное распространение ошибки

2.4. Активационные функции

2.5. Сверточные нейронные сети

2.6. Рекуррентные нейронные сети

3. Глубокое обучение

3.1. Глубокие нейронные сети

3.2. Автоэнкодеры

3.3. Сверточные нейронные сети в глубоком обучении

3.4. Рекуррентные нейронные сети в глубоком обучении

3.5. Генеративные модели

4. AI для работы с текстом

4.1. Распознавание речи

4.2. Обработка естественного языка (Natural Language Processing, NLP)

4.3. Генеративные модели

4.4. Анализ текстов

4.5. Диалоговые системы

5. Основы математики для машинного обучения

5.1. Линейная алгебра

5.2. Теория вероятностей и статистика

5.3. Оптимизация функций и градиентный спуск

6. Инструменты для машинного обучения Python

6.1. NumPy

6.2. Pandas

6.3. Matplotlib

6.4. Scikit-learn

6.5. TensorFlow

6.6. PyTorch