创作历程 Creation Timeline
7篇
2025年
1篇
2024年
13篇
2022年
5篇
2021年
11篇
2020年
28篇
2019年
9篇
2018年
7篇
2017年
cartificial_intelligence
正确的层次关系：
- AI（人工智能） - 最顶层，包含所有智能系统
- ML（机器学习） - AI 的子集，让机器从数据中学习
- DL（深度学习） - ML 的子集，使用神经网络
- LLM（大语言模型） - DL 的应用，特别是基于 Transformer 的模型
- AIGC（AI生成内容） - AI 的应用领域，通常使用 LLM 等技术
项目背景 学习redis源码中布隆过滤器时, 发现redis中建立伯努利数学模型来统计pfcount的次数。因此创建该项目学习人工智能的一些知识的记录。
一, 数学知识的学习
1, 高等数学
| 模块 | 类型 | 链接 |
|---|---|---|
| 高等数学 | 数学知识 | 1.导数 |
| 高等数学 | 数学知识 | 2.向量的概念 |
| 高等数学 | 数学知识 | 3.矩阵 |
| 高等数学 | 数学知识 | 4.偏导数 |
2, 概率论与数理统计
二, 机器学习
| 算法或者理论 | 用到的数学知识点 |
|---|---|
| 贝叶斯分类器 | 随机变量, 贝叶斯公式, 随机变量独立性, 正态分布, 最大似然估计 |
| 决策树 | 概率, 熵, Gini系数 |
| KNN算法 | 距离函数 |
| 主成分分析 | 协方差矩阵, 散布矩阵, 拉格朗日乘数法, 特征值与特征向量 |
| 流行学习 | 流行, 最优化, 测地线, 测地距离, 图, 特征值与特征向量 |
| 线性判别分析 | 散度矩阵, 逆矩阵, 拉格朗日乘法数, 特征值与特征向量 |
| 支持向量机 | 点到平面的距离, Slater条件, 强对偶, 拉格朗日对偶, KKT条件, 凸优化, 核函数, Mercer条件 |
| logistic回归 | 概率, 随机变量, 最大似然估计, 梯度下降法, 凸优化, 牛顿法 |
| 随机树林 | 抽样, 方差 |
| AdaBoost算法 | 概率, 随机变量, 极值定理, 数学期望, 牛顿法 |
| 隐马尔可夫模型 | 概率, 离散型随机变量, 条件概率, 随机变量独立性, 拉格朗日乘数法, 最大似然估计 |
| 条件随机场 | 条件概率, 数学期望, 最大似然估计 |
| 高斯混合模型 | 正态分布, 最大似然估计, Jensen不等式 |
| 人工神经网络 | 梯度下降法, 链式法则 |
| 卷积神经网络 | 梯度下降法, 链式法则 |
| 循环神经网络 | 梯度下降法, 链式法则 |
| 生成对抗网络 | 梯度下降法, 链式法则, 极值定理, Kullback-Leibler散度, 测地距离, 条件分布, 互信息 |
| K-means算法 | 距离函数 |
| 强化学习 | 数学期望, 贝尔曼方程 |
| 贝叶斯网络 | 条件概率, 贝叶斯公式, 图 |
| VC维 | Hoeffding不等式 |
cartificial_intelligence
正确的层次关系：
- AI（人工智能） - 最顶层，包含所有智能系统
- ML（机器学习） - AI 的子集，让机器从数据中学习
- DL（深度学习） - ML 的子集，使用神经网络
- LLM（大语言模型） - DL 的应用，特别是基于 Transformer 的模型
- AIGC（AI生成内容） - AI 的应用领域，通常使用 LLM 等技术
项目背景 学习redis源码中布隆过滤器时, 发现redis中建立伯努利数学模型来统计pfcount的次数。因此创建该项目学习人工智能的一些知识的记录。
一, 数学知识的学习
1, 高等数学
| 模块 | 类型 | 链接 |
|---|---|---|
| 高等数学 | 数学知识 | 1.导数 |
| 高等数学 | 数学知识 | 2.向量的概念 |
| 高等数学 | 数学知识 | 3.矩阵 |
| 高等数学 | 数学知识 | 4.偏导数 |
2, 概率论与数理统计
二, 机器学习
| 算法或者理论 | 用到的数学知识点 |
|---|---|
| 贝叶斯分类器 | 随机变量, 贝叶斯公式, 随机变量独立性, 正态分布, 最大似然估计 |
| 决策树 | 概率, 熵, Gini系数 |
| KNN算法 | 距离函数 |
| 主成分分析 | 协方差矩阵, 散布矩阵, 拉格朗日乘数法, 特征值与特征向量 |
| 流行学习 | 流行, 最优化, 测地线, 测地距离, 图, 特征值与特征向量 |
| 线性判别分析 | 散度矩阵, 逆矩阵, 拉格朗日乘法数, 特征值与特征向量 |
| 支持向量机 | 点到平面的距离, Slater条件, 强对偶, 拉格朗日对偶, KKT条件, 凸优化, 核函数, Mercer条件 |
| logistic回归 | 概率, 随机变量, 最大似然估计, 梯度下降法, 凸优化, 牛顿法 |
| 随机树林 | 抽样, 方差 |
| AdaBoost算法 | 概率, 随机变量, 极值定理, 数学期望, 牛顿法 |
| 隐马尔可夫模型 | 概率, 离散型随机变量, 条件概率, 随机变量独立性, 拉格朗日乘数法, 最大似然估计 |
| 条件随机场 | 条件概率, 数学期望, 最大似然估计 |
| 高斯混合模型 | 正态分布, 最大似然估计, Jensen不等式 |
| 人工神经网络 | 梯度下降法, 链式法则 |
| 卷积神经网络 | 梯度下降法, 链式法则 |
| 循环神经网络 | 梯度下降法, 链式法则 |
| 生成对抗网络 | 梯度下降法, 链式法则, 极值定理, Kullback-Leibler散度, 测地距离, 条件分布, 互信息 |
| K-means算法 | 距离函数 |
| 强化学习 | 数学期望, 贝尔曼方程 |
| 贝叶斯网络 | 条件概率, 贝叶斯公式, 图 |
| VC维 | Hoeffding不等式 |
