# AIKnowledgeBase **Repository Path**: nickforthink/AIKnowledgeBase ## Basic Information - **Project Name**: AIKnowledgeBase - **Description**: 人工智能基础知识归纳，包括基础数学，机器学习，深度学习以及强化学习的内容 - **Primary Language**: Python - **License**: Apache-2.0 - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 26 - **Created**: 2022-03-03 - **Last Updated**: 2022-03-03 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README AI基础知识库 === ![Images](https://img.shields.io/badge/%E7%9F%A5%E8%AF%86%E5%BA%93-%E6%8C%81%E7%BB%AD%E6%9B%B4%E6%96%B0%E4%B8%AD-ff69b4?style=plastic&logo=appveyor) # 一、概述 本项目是我这两三年研究的人工智能方面的一些总结，主要包括如下内容 ## 1. 机器学习 机器学习部分主要包括机器学习常用的十二种算法，包括K近邻、线性回归、逻辑回归、决策树、Bagging与随机森林、提升算法、Stacking算法、支持向量机、聚类、EM与高斯混合模型、贝叶斯网络与隐马尔科夫模型 ## 2. 深度学习 深度学习主要总结了图像与视频方面的深度学习算法，包括物体分类、目标识别、图像分割、关键点识别、自编码器与图片生成、风格迁移、人脸识别，自然语言处理(NLP)等等方面的知识 ## 3. 强化学习 强化学习主要总结了常用的强化学习算法 # 二、机器学习 机器学习主要是使用输入样本进行分类或者回归的预测。 - 分类，就是指样本的预测结果是离散的，比如给定各种不同的鸢尾花的样本，来预测给定鸢尾花的具体类型，样本中一般包含能够分辨类型的特征数据； - 回归，就是指样本的预测结果是连续的，比如给定波士顿近几年的房价数据，来预测将来的房价，样本中一般包含房屋的年龄，具体位置，面积等等关键信息的数据； # 三、深度学习 # 四、强化学习 # 五、参考资料 === 1. [senliuy的gitbook资料](https://senliuy.gitbooks.io/advanced-deep-learning) 2. [fourmi_gsj的博客](https://www.cnblogs.com/fourmi) 3. 麻省理工公开课：线性代数 4. 麻省理工公开课：单变量微积分 5. 浙江大学概率与统计公开课 6. [Morvan的学习资料](https://morvanzhou.github.io/) 7. 其它的一些网络资料 # 捐助