luweiagi/machine-learning-notes

그것은 무엇인가. 머신러닝 및 관련 주제에 대한 학습 노트 모음입니다. README는 주로 거대한 목차입니다: 5개의 큰 섹션(서문, 수학 기초, 프로그래밍 기초, 머신러닝, 딥러닝)으로 그룹화된 수십 개의 노트 페이지를 나열하며, 각 항목은 별도의 노트 파일로 연결됩니다. 프로젝트는 또한 외부 "머신러닝 알고리즘 맵"(다른 사이트의 다이어그램)을 가리키며 해당 맵의 PNG 이미지를 포함합니다.

읽는 방법. README는 경고(중국어)로 시작합니다: github.com에서 페이지를 보고 있다면 거기서 읽기를 멈추고 상단의 링크를 클릭하세요. 소스 모드에 있으며 수학 공식이 렌더링되지 않기 때문입니다. 의도된 읽기 경험은 GitHub Pages 사이트 https://luweiagi.github.io/machine-learning-notes/를 통한 것이며, 여기서 공식이 제대로 표시됩니다.

다루는 내용(목차에서).

• 서문 — 개인 소개, ML 소개, 제안된 학습 경로, 면접 팁, 머신러닝의 역사.
• 수학 기초 — 미적분(테일러 전개, e, 푸리에 변환, 힐베르트 공간, 컨볼루션), 선형대수(노름, 행렬 미분, 고유값, SVD), 확률 및 통계(분산/공분산, 베이지안 분석, 정규, 감마, 베타, 디리클레와 같은 확률 분포), 복소 함수, 정보 이론, 수치 최적화(최소 제곱, 라그랑주 승수, 볼록 최적화), 및 경사 업데이트 알고리즘(SGD, Momentum, Nesterov, AdaGrad, RMSprop, Adadelta, Adam, Nadam, AMSGrad 등).
• 프로그래밍 기초 — 컴퓨터 과학 과정 주제(컴퓨터 구성, 자료 구조 및 알고리즘, 컴파일러, 운영 체제, 컴퓨터 네트워크), 프로그래밍 언어(C/C++ 및 STL, 멀티스레딩; Python 및 구문, numpy/pandas/scipy/matplotlib/scikit-learn과 같은 라이브러리, Cython), 빅데이터 도구(Hadoop, Hive, Spark), 데이터 백업 도구(rsync, Git).
• 머신러닝 — 개요 및 철학, 특징 엔지니어링, 퍼셉트론, k-최근접 이웃, 나이브 베이즈, 선형 모델(선형/로지스틱 회귀, 최대 엔트로피), 결정 트리, 서포트 벡터 머신(SMO 포함), liblinear, 앙상블 방법(Bagging, 랜덤 포레스트, Boosting, AdaBoost, GBDT, XGBoost, LightGBM, Stacking), 차원 축소(PCA, 매니폴드 학습; LDA/t-SNE/ICA/오토인코더는 일반 목록 항목으로 나타남), EM 알고리즘, 확률 그래픽 모델, HMM, CRF, 클러스터링(k-means, 가우시안 혼합, DPMM), 토픽 모델(LDA), 및 다양한 팁(손실 함수, 네거티브 샘플링).
• 딥러닝 — 개요, 인공 신경망, 홉필드 네트워크, 및 팁(특징 교차, 활성화 함수, 배치/레이어 정규화와 같은 정규화, 역전파, 기울기 폭발/소실, 기울기 클리핑).

구성. 노트는 목차에 해당하는 계층적 폴더 구조에 중첩되어 있습니다 — 예: mathematics/calculus/taylor-expansion/taylor-expansion.md, machine-learning/support-vector-machine/smo/smo.md. README 자체는 단지 인덱스입니다; 실제 콘텐츠는 링크된 .md 파일에 있습니다.

주목할 만한 세부 사항.

• 목록에는 하이퍼링크 없이 일반 텍스트로 나타나는 몇 가지 주제가 있습니다(예: AdamW, LDA 선형 판별 분석, t-SNE, ICA, 자기 인코더) — README는 이를 항목으로 나열하지만 노트 파일에 연결하지 않습니다.
• 프로젝트는 주로 중국어로 작성되었습니다.
• README에는 노트 자체의 구조 외에 저자의 의도에 대한 설명이 없습니다 — 명시된 목표, 라이선스, 기여 지침이 나타나지 않습니다.