【學習路線】Python 算法（人工智能）詳細知識點學習路徑（附學習資源）

可根據(jù)知識點前的符號按需選學，并獲取知識點描述和學習資源。

 必學：核?知識點，經(jīng)常?到。

建議學：重要知識點，專業(yè)??的基?。

?試重點：經(jīng)常出現(xiàn)的?試知識點。

可有可?：邊緣區(qū)域，不是必須探索的地?。

知識描繪：知識點描述，快速理解。

學習資源：關(guān)聯(lián)的學習資源。

學習?標：階段性?標。

學習路線：算法（人工智能）

描述: Python 在人工智能領域廣泛應用，作為一種強大的編程語言，它支持各種機器學習和深度學習算法，用于構(gòu)建智能系統(tǒng)、自然語言處理、計算機視覺和數(shù)據(jù)分析等領域的應用。

目標：人臉識別系統(tǒng)，利用深度學習模型，構(gòu)建一個人臉識別系統(tǒng)，可以用于身份驗證或監(jiān)控系統(tǒng)。

學習資源：

• Python機器學習AI路線 >>>

• TensorFlow 深度學習從入門到實戰(zhàn) >>>
• AI 深度學習 Python 實戰(zhàn) Pytorch >>>
• 大廠 AI 實踐 >>>
• 動手學深度學習 >>>
• 動手學大模型應用開發(fā) >>>
• TensorFlow 官方文檔中文版 >>>
• 人工智能學習路線 >>>

一、 數(shù)學基礎

1、高等數(shù)學：

高等數(shù)學是數(shù)學的一個分支，涵蓋了微積分、微分方程、積分學等內(nèi)容。在人工智能中，微積分常用于優(yōu)化算法和神經(jīng)網(wǎng)絡的訓練中。

二、 機器學習

描述: 特征工程是指對原始數(shù)據(jù)進行處理和轉(zhuǎn)換，以提取出對機器學習模型有意義的特征。好的特征工程可以顯著影響模型的性能，幫助模型更好地學習數(shù)據(jù)的模式。

描述: 模型是機器學習中的數(shù)學表示，用于從數(shù)據(jù)中學習模式和進行預測。模型可以是線性回歸、決策樹、神經(jīng)網(wǎng)絡等算法的實例。

• 模型分類： 根據(jù)問題的性質(zhì)，可以選擇不同類型的模型。例如，分類問題可以使用邏輯回歸、支持向量機等，而回歸問題可以使用線性回歸、決策樹回歸等。
• 模型評估：評估模型的性能是關(guān)鍵步驟。常見的評估指標包括準確性、精確度、召回率、F1 分數(shù)等，用于衡量模型在未見數(shù)據(jù)上的表現(xiàn)。 
• 模型訓練：模型訓練是指使用標記的訓練數(shù)據(jù)來調(diào)整模型的參數(shù)，使其能夠更好地擬合數(shù)據(jù)。訓練通常包括損失函數(shù)優(yōu)化、反向傳播等過程。
• 模型調(diào)優(yōu)：模型調(diào)優(yōu)是通過調(diào)整超參數(shù)、正則化等方法來改善模型性能的過程。這可以包括交叉驗證、超參數(shù)搜索等技術(shù)。

3、常用算法：

3.1 監(jiān)督與無監(jiān)督學習：

• 監(jiān)督學習: 在監(jiān)督學習中，算法接收帶有標簽（目標輸出）的訓練數(shù)據(jù)，并學習如何映射輸入到輸出。常見的監(jiān)督學習任務包括分類和回歸。
• 無監(jiān)督學習: 在無監(jiān)督學習中，算法接收沒有標簽的訓練數(shù)據(jù)，目標是發(fā)現(xiàn)數(shù)據(jù)的結(jié)構(gòu)或模式，通常包括聚類和降維。

• 線性回歸: 線性回歸試圖擬合數(shù)據(jù)點與線性函數(shù)之間的最佳擬合線，用于預測連續(xù)數(shù)值。它基于線性關(guān)系建立模型。
• 決策樹回歸: 決策樹回歸使用樹狀結(jié)構(gòu)來建模數(shù)據(jù)，將輸入數(shù)據(jù)分成多個決策節(jié)點，每個節(jié)點代表一個決策規(guī)則。用于處理非線性關(guān)系。
• 集成算法: 集成算法如隨機森林和梯度提升樹是組合多個基本模型以提高預測性能的方法。它們通過組合多個模型的預測來降低過擬合風險。

• 邏輯回歸: 邏輯回歸是一種廣泛用于二分類問題的算法。它建立一個線性模型，然后使用邏輯函數(shù)（sigmoid 函數(shù)）將線性輸出映射到概率值，用于判斷屬于哪個類別。
• 決策樹: 決策樹是一種樹狀結(jié)構(gòu)的模型，用于分類和回歸任務。在分類中，它根據(jù)特征的條件來分割數(shù)據(jù)，并最終確定每個葉子節(jié)點的類別。
• 支持向量機 (SVM): 支持向量機是一種用于分類和回歸的強大算法。它尋找一個最佳的超平面來分割數(shù)據(jù)，并盡量使不同類別的數(shù)據(jù)點離這個超平面最遠，以提高分類性能。
• 集成算法: 集成算法如隨機森林和梯度提升樹是組合多個模型以提高分類性能的方法。它們通過組合多個弱模型的預測來降低過擬合風險，并在實際中表現(xiàn)出色。
• 貝葉斯算法: 貝葉斯算法是一組基于貝葉斯定理的概率算法，用于分類問題。它基于先驗概率和數(shù)據(jù)的條件概率來估計后驗概率，用于決定最可能的類別。

• K 均值聚類（K-means）: K 均值聚類是一種無監(jiān)督學習算法，用于將數(shù)據(jù)分成 K 個不同的簇（群集）。它的目標是使每個數(shù)據(jù)點與其所屬簇中的聚類中心的距離最小化。K 均值聚類通常需要預先指定簇的數(shù)量 K，然后通過迭代優(yōu)化來找到最佳簇分配。
• DBSCAN（密度聚類）: DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一種無監(jiān)督聚類算法，能夠識別具有不同密度的簇。它基于數(shù)據(jù)點的密度來分割簇，將具有足夠密度的數(shù)據(jù)點分為一個簇，并將稀疏區(qū)域的數(shù)據(jù)點標記為噪聲點。DBSCAN 不需要預先指定簇的數(shù)量，因此對于發(fā)現(xiàn)具有不同形狀和大小的簇很有用。

• 主成分分析（PCA）: 主成分分析是一種常用的降維技術(shù)，旨在減少數(shù)據(jù)的維度，同時保留最重要的信息。它通過找到數(shù)據(jù)中的主要方差方向，將數(shù)據(jù)投影到新的坐標系中，以便能夠更緊湊地表示數(shù)據(jù)。PCA 通常用于數(shù)據(jù)壓縮、可視化和去除冗余信息。
• 線性判別分析（LDA）: 線性判別分析是一種降維方法，通常與分類問題一起使用。它尋找一個新的特征空間，以便不僅最大化不同類別之間的距離，還最小化同一類別內(nèi)部的距離。LDA 旨在找到具有最好區(qū)分性的特征，可以用于提高分類算法的性能。

• GBDT（梯度提升決策樹）算法: GBDT 是一種集成學習算法，用于回歸和分類問題。它通過構(gòu)建多個決策樹模型，每個模型都試圖修正前一個模型的錯誤。模型的組合提供了強大的預測性能，因此在許多數(shù)據(jù)挖掘和預測任務中廣泛應用。
• LightGBM: LightGBM 是一種基于梯度提升的決策樹算法，專為高效性能而設計。它使用了一種稱為“直方圖算法”的技術(shù)，能夠更快地構(gòu)建樹模型。LightGBM 通常比傳統(tǒng)的梯度提升算法更快速且具有競爭力的性能。
• EM（期望最大化）算法: EM 算法是一種用于解決含有隱含未知變量的概率模型的估計問題的迭代算法。它通過交替進行“期望”步驟（E 步驟）和“最大化”步驟（M 步驟），來估計模型參數(shù)。EM 算法在聚類、密度估計和概率分布建模等領域廣泛使用。
• 隱馬爾可夫模型（HMM）: 隱馬爾可夫模型是一種統(tǒng)計模型，用于建模時序數(shù)據(jù)和序列標注問題。它由隱藏狀態(tài)、可見狀態(tài)和狀態(tài)轉(zhuǎn)移概率組成，常用于語音識別、自然語言處理、生物信息學等領域，可以捕捉序列數(shù)據(jù)中的潛在結(jié)構(gòu)和模式。

• 多因子模型是一種用于解釋和預測資產(chǎn)收益或投資組合表現(xiàn)的金融模型。它是一種廣泛應用于資產(chǎn)定價和投資決策的工具，用于理解資產(chǎn)收益的來源和影響因素。

5、常用庫

• NumPy 是 Python 中用于科學計算的基礎庫，提供了多維數(shù)組和矩陣操作，是許多其他機器學習庫的基礎。

• pandas 是用于數(shù)據(jù)處理和分析的庫，提供了數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)操作工具，方便加載、清理、轉(zhuǎn)換和分析數(shù)據(jù)。

• scikit-learn 是一個廣泛使用的機器學習庫，包含了各種機器學習算法，如分類、回歸、聚類、降維等，以及用于模型選擇和評估的工具。

• TensorFlow 是 Google 開發(fā)的深度學習框架，用于構(gòu)建神經(jīng)網(wǎng)絡和深度學習模型。它提供了高級 API（例如 Keras）和低級 API，適用于各種深度學習任務。

• PyTorch 是 Facebook 開發(fā)的深度學習框架，受到研究人員和實踐者的歡迎。它提供了靈活的動態(tài)計算圖和易于使用的 API，使深度學習模型的構(gòu)建更加直觀。

•  Keras 是一個高級神經(jīng)網(wǎng)絡 API，可以運行在 TensorFlow、Theano 和 CNTK 等后端上。它是構(gòu)建深度學習模型的簡單且用戶友好的接口。

• SciPy 是一個用于科學計算的庫，包括了許多數(shù)學、優(yōu)化和統(tǒng)計算法，對于高級機器學習任務非常有用。

• 自然語言工具包（NLTK）是用于自然語言處理的庫，包含了文本處理、分詞、標記化、詞干提取等功能。

三、深度學習

描述: Python 深度學習是一種機器學習方法，利用神經(jīng)網(wǎng)絡模型來處理復雜的數(shù)據(jù)任務，如圖像識別、自然語言處理和預測分析。它依賴于 Python 編程語言和各種開源庫，如 TensorFlow 和 PyTorch。

• Python 深度學習中的數(shù)據(jù)預處理是指將原始數(shù)據(jù)轉(zhuǎn)換為適合神經(jīng)網(wǎng)絡模型輸入的格式。這通常包括數(shù)據(jù)清洗、標準化、歸一化、特征工程和劃分訓練集與測試集等步驟。數(shù)據(jù)預處理的目標是提高模型的性能和訓練效率，確保模型能夠有效地學習和泛化。

2、 常用算法

• 神經(jīng)網(wǎng)絡是一種受到人類大腦結(jié)構(gòu)啟發(fā)的算法，它由多個神經(jīng)元組成的層次結(jié)構(gòu)。這些神經(jīng)元通過連接權(quán)重進行信息傳遞，通過前向傳播和反向傳播來學習和調(diào)整權(quán)重，以解決各種機器學習問題，如分類、回歸和聚類。

• 卷積神經(jīng)網(wǎng)絡是一種專門用于處理圖像和視覺數(shù)據(jù)的神經(jīng)網(wǎng)絡。它包含卷積層，池化層和全連接層，能夠有效地捕捉圖像中的特征和模式，廣泛用于圖像分類、目標檢測和圖像生成等任務。

• 遞歸神經(jīng)網(wǎng)絡是一種用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡，它具有記憶功能，能夠捕捉序列中的時間依賴關(guān)系。RNN 在自然語言處理、時間序列分析和語音識別等領域廣泛應用。

• 對抗生成網(wǎng)絡是由生成器和判別器組成的對抗性模型。生成器試圖生成與真實數(shù)據(jù)相似的數(shù)據(jù)，而判別器嘗試區(qū)分真實數(shù)據(jù)和生成數(shù)據(jù)。這個過程通過競爭使生成器不斷提高生成數(shù)據(jù)的質(zhì)量，用于生成圖像、音頻和文本等內(nèi)容。

• 序列網(wǎng)絡模型通常是指用于處理序列數(shù)據(jù)的各種神經(jīng)網(wǎng)絡，包括 RNN、LSTM（長短時記憶網(wǎng)絡）、GRU（門控循環(huán)單元）和 Transformer 等。它們廣泛用于自然語言處理、機器翻譯、文本生成和音樂生成等領域，能夠捕捉序列數(shù)據(jù)中的長期依賴性。

• TensorFlow 2 是由 Google 開發(fā)的深度學習框架，具有高度的靈活性和可擴展性。它提供了動態(tài)計算圖和靜態(tài)計算圖的兩種模式，以滿足不同需求。TensorFlow 2 的 Keras API 被整合為默認的高級 API，使模型的創(chuàng)建和訓練變得更加容易。

3.2 PyTorch: 

• PyTorch 是由 Facebook 開發(fā)的深度學習框架，以其動態(tài)計算圖的特性而著稱。它具有直觀的 API，支持動態(tài)圖和靜態(tài)圖，使研究人員和開發(fā)人員能夠更自由地定義和修改模型結(jié)構(gòu)。PyTorch 在學術(shù)界和研究中廣泛使用。

• Keras 是一個高級深度學習 API，最初獨立存在，后來被整合到 TensorFlow 中。它設計用于簡化模型構(gòu)建和訓練過程，適用于快速原型開發(fā)。Keras 提供了用戶友好的接口，使得創(chuàng)建神經(jīng)網(wǎng)絡模型變得非常容易。

• Caffe 是一個由 Berkeley Vision and Learning Center（BVLC）開發(fā)的深度學習框架，早期用于圖像分類和卷積神經(jīng)網(wǎng)絡的研究。它的設計注重性能和速度，但不太適合新手，因為配置和擴展需要一定的技術(shù)經(jīng)驗。

• 自然語言處理是深度學習領域的一個重要分支，涉及計算機對人類語言的理解和生成。它包括文本分析、語言模型、機器翻譯、情感分析、命名實體識別等任務。深度學習在 NLP 中廣泛應用，例如使用循環(huán)神經(jīng)網(wǎng)絡（RNN）和變換器（Transformer）來處理文本數(shù)據(jù)。

• 圖像處理是指通過計算機算法對圖像進行分析、改進和轉(zhuǎn)換的過程。深度學習已經(jīng)在圖像處理中取得了巨大的成功，特別是卷積神經(jīng)網(wǎng)絡（CNN）在圖像分類、目標檢測、圖像分割和風格轉(zhuǎn)換等任務中的應用。

• 計算機視覺是深度學習的一個重要應用領域，旨在使計算機能夠理解和解釋圖像和視頻數(shù)據(jù)。它包括目標檢測、人臉識別、動作識別、三維重建、虛擬現(xiàn)實和自動駕駛等任務。深度學習方法在計算機視覺中已經(jīng)實現(xiàn)了突破性的進展，尤其是卷積神經(jīng)網(wǎng)絡的發(fā)展使得圖像識別和分析變得更加準確和高效。