目录

机器学习方法

  • 1.1 机器学习 (Machine Learning)

    神经网络

  • 2.1 科普: 人工神经网络 VS 生物神经网络
  • 2.2 神经网络 (Neural Network)
  • 2.3 卷积神经网络 CNN (Convolutional Neural Network)
  • 2.4 循环神经网络 RNN (Recurrent Neural Network)
  • 2.5 LSTM RNN 循环神经网络 (LSTM)
  • 2.6 自编码 (Autoencoder)
  • 2.7 生成对抗网络 (GAN)
  • 2.8 科普: 神经网络的黑盒不黑
  • 2.9 神经网络 梯度下降
  • 2.10 迁移学习 Transfer Learning

    神经网络技巧

  • 3.1 检验神经网络 (Evaluation)
  • 3.2 特征标准化 (Feature Normalization)
  • 3.3 选择好特征 (Good Features)
  • 3.4 激励函数 (Activation Function)
  • 3.5 过拟合 (Overfitting)
  • 3.6 加速神经网络训练 (Speed Up Training)
  • 3.7 处理不均衡数据 (Imbalanced data)
  • 3.8 批标准化 (Batch Normalization)
  • 3.9 L1 / L2 正规化 (Regularization)

    强化学习

  • 4.1 强化学习 (Reinforcement Learning)
  • 4.2 强化学习方法汇总 (Reinforcement Learning)
  • 4.3 Q Leaning
  • 4.4 Sarsa
  • 4.5 Sarsa(lambda)
  • 4.6 DQN
  • 4.7 Policy Gradients
  • 4.8 Actor Critic
  • 4.9 Deep Deterministic Policy Gradient (DDPG)
  • 4.10 Asynchronous Advantage Actor-Critic (A3C)
  • 4.11 AlphaGo Zero 为什么更厉害?

    进化算法

  • 5.1 遗传算法 (Genetic Algorithm)
  • 5.2 进化策略 (Evolution Strategy)
  • 5.3 神经网络进化 (Neuro-Evolution)

results matching ""

    No results matching ""