学习记录和工作记录
做完的东西就往上提
1. 坚持看书
1.1 已完成
坚持进步,尽快把自己技术上的缺失补上来。
完成线性代数、概率论、高等数学、离散数学等基础知识点的补充
看完《数学之美》、《统计学系方法》、《西瓜书》、《百面机器学习》、《深度推荐系统》等;并完成线性代数、优化方法、树模型等三篇文章的总结。
学完Andrew NG的深度学习课程
学完刘建平的机器学习博客
学完李沐的《动手学深度学习》
1.3 深水区攻坚
1.4 Andrew NG 机器学习课程
1.5、自然语言和推荐系统;统计自然语言处理
1.6 Sequence learning
1.7 推荐系统汇总资料
1.8 花书
1.9 李弘毅深度学习课程
1.10 问题汇总
RNN在BP过程中梯度消失的原因,链式求导过程
end-to-end-learning
Batch Normalization
AutoEncoder
Denoising AutoEncoder:在训练数据中加入噪声,需学习去除这种噪声
Sparse Coding 系数编码
FFM 和 DeepFFM的代码
GBDT + LR代码
变分推断
频率派和贝叶斯派在参数估计上的差异
贝叶斯参数优化
贝叶斯线性回归
正则化与MAP贝叶斯推断(L2相当于权重是高斯先验的MAP贝叶斯推断;L1与通过AMP贝叶斯推断最大化的对数先验项是等价的)
基于RBM的推荐系统(流行于2016年左右)
系统的看一遍别人写的推荐系统都使用了哪些具体算法以及推荐系统的发展现状
1.11 博客学习
小小挖掘机:https://cloud.tencent.com/developer/column/2381
算法channel:https://cloud.tencent.com/developer/user/1478933
2、开发语言学习
2.1 Java
用PMML实现机器学习模型的跨平台上线:PMML+LGB
2.2 待完成
6.3 概率论与数理统计:陈希儒
6.4 抽象数学
6.5 矩阵论
6.6 运筹学
6.8 统计学
6.9 图论
6.10 矩阵分析与应用: 张贤达
6.11 信息论基础
6.12 凸优化: 鲍信
7、11/1~12/31计算机类课程
7.1 数据结构
1.spark跑特征分类数据
2.tensorflow网络模型测试(cnn+lstm效果不佳) (1)cnn+gru/lstm 训练效果不佳原因查询。 (2) lstm单独训练效果实验 完成
3.tensorflow网络模型优化(word2vec/多通道CNN) (3)word2vec原理推导使用 (4) 多通道cnn模型搭建 (5)多层text-cnn模型训练 (6) 文本语料整理,解决偏分类的问题。
4.tensorflow数据来源进行优化处理
5.文本聚类/文本分类/主题分布(LDA/LSA/PLSA)
6.小象学院机器学习课程学习,项目代码要进行实际运行
7.七月在线推荐课程继续学习。
8.LeoCode代码,数据结构复习
9.小象学院深度学习课程
10.小象学院tensorflow项目实战课程
11.scikit-learn代码。
13.美团机器学习实战
14.命名实体识别(NER)
15.意图识别 cnn/lstm
16.文本摘要 seq2seq
17.李弘毅深度学习(keras实战)
18.Ranklib Learing 2 Rank java版本实现。
19.基于目前已有的语料进行机器翻译,对比实际结果。
20.强化学习研究,以及思考有哪些场景可以使用强化学习。
21 GAN研究
22.dubbo进行学习
23.springboot进行复习
24.jvm调优,java高并发,多线程复习
25.scala多个视频复习
26.dnn学习,更深层神经网络实验学习 wide && deep
28.机器人对话 小象学院视频学习,书籍学习。
29.知识图谱 视频学习。
30. scala复习,应用到实际项目中。
31.网易公开课 各个数学分支,算法导论,计算机科学 补充学习。
32. 阿里巴巴 数字经济下的算法
33.美团2018技术书籍
34 redis/tair 深入复习
35 python系统化进行复习整理,结合各个项目。
36.机器翻译 seq2seq/trannsform
37.tensorflow/keras 基础知识需要进行跟踪练习