传统机器学习深度学习已死

从 ChatGPT 产品发布的那天起，传统机器学习深度学习已经死了，普通工程师不要在此内容上浪费时间了。

如果还是感兴趣，可以继续了解一下内容

• 训练模型： 线性回归、梯度下降、多项式回归、学习曲线、正则化线性模型、逻辑回归
• 支持向量机：线性SVM分类、非线性SVM分类、SVM回归、线性SVM分类器的工作原理、对偶问题
• 决策树：训练和可视化决策树、做出预测、估计类概率、CART训练算法、计算复杂度、基尼杂质或熵、正则化超参数、回归、对轴方向的敏感性、决策树具有高方差
• 集成学习和随机森林：投票分类器、bagging和pasting、随机森林、提升法、堆叠法
• 降维：降维的诅咒、降维的主要方法、PCA、随机投影、LLE、其他降维技术
• 无监督学习：聚类算法 K均值和DBSCAN、高斯混合模型
• PyTorch 神经网络简介：从动物神经元到人工神经元、使用PyTorch实现MLP、微调神经网络超参数
• 训练深度神经网络：梯度消失和梯度爆炸问题、重用预训练层、更快的优化器、学习率调度、通过正则化避免过拟合
• 使用 PyTorch 自定义模型和训练：PyTorch快速浏览、像使用NumPy一样使用PyTorch张量、自定义模型和训练算法、PyTorch的计算图与函数式编程
• 使用 PyTorch 加载和预处理数据：Dataset与DataLoader、自定义数据集与变换、文本和图像的预处理、Hugging Face数据集项目简介
• 使用 PyTorch 实现卷积神经网络：视觉皮层的结构、卷积层、池化层、使用PyTorch实现池化层、CNN架构、使用PyTorch实现ResNet-34 CNN、使用预训练模型、迁移学习、分类和定位、物体检测、物体跟踪、语义分割
• 使用RNN和CNN处理序列：循环神经元和层、训练RNN、预测时间序列、处理长序列
• 基于RNN和注意力机制的NLP：使用字符RNN生成莎士比亚文本、情感分析、用于神经机器翻译的编码器解码器网络、注意力机制、Transformer模型的雪崩、视觉Transformer、Hugging Face的Transformer库
• 自动编码器 GAN和扩散模型：有效的数据表示、使用不完备的线性自动编码器执行PCA、堆叠自动编码器、卷积自动编码器、去噪自动编码器、稀疏自动编码器、变分自动编码器、生成Fashion MNIST图像、生成对抗网络、扩散模型
• 强化学习：学习优化奖励、策略搜索、OpenAI Gym介绍、神经网络策略、评估动作：信用分配问题、策略梯度、马尔可夫决策过程、时序差分学习、Q学习、实现深度Q学习、深度Q学习的变体、一些流行的RL算法概述
• 大规模训练和部署PyTorch模型：为PyTorch模型提供服务、将模型部署到移动设备或嵌入式设备、在Web页面中运行模型、使用GPU加速计算、跨多个设备训练模型。了解onnx https://github.com/onnx/onnx、onnx运行时 https://github.com/microsoft/onnxruntime、多种框架训练出模型可以转为onnx,C++可以使用onnx进行部署 使用进行推理。