前言
作爲對2020.6一個月學習機器學習和深度學習的回顧和彙總
從零開始完整學習傳統機器學習和經典深度學習
只需要python基礎，最好有線性代數基礎，沒有也問題不大
機器學習
機器學習系列（一） numpy的使用
機器學習系列（二） kNN（k近鄰算法）會用到scikit
機器學習系列（三） 線性迴歸法，會用到scikit
機器學習系列（四） 梯度下降法
機器學習系列（五） PCA（主成分分析）會用到scikit
機器學習系列（六） 用scikit識別MNIST數據集，用到kNN和PCA
機器學習系列（七） 多項式迴歸和模型泛化（學習曲線、交叉驗證、正則化）
機器學習系列（八） 邏輯迴歸和多分類問題
機器學習系列（九） 分類結果的評價（混淆矩陣、精確度、召回率、F1、ROC）
機器學習系列（十） 支持向量機SVM
機器學習系列（十一） 決策樹
機器學習系列（十二） 集成學習
深度學習
深度學習系列（一） 多層感知機
深度學習系列（二） 卷積神經網絡之基礎知識
深度學習系列（三） 深度卷積神經網絡（AlexNet、VGG、NiN、GoogleNet）
深度學習系列（四） 深度卷積神經網絡之批量歸一化、ResNet、DenseNet
深度學習系列（五）循環神經網絡
深度學習系列（六） 循環神經網絡之GRU、LSTM、雙向循環
深度學習系列（七） 優化算法（梯度下降、動量法、AdaGrad算法、RMSProp算法、AdaDelta算法、Adam算法）
深度學習系列（八） 計算性能（命令式編程和符號式編程、異步計算、多GPU計算)
深度學習系列（九） 計算機視覺之模型泛化能力（圖像增廣和微調）