Day1

---

一、上午

1. 传统程序：数据 + 程序 -> 电脑 -> 输出
   机器学习：数据 + 输出 -> 电脑 -> 程序
2. 条件概率、边缘概率、联合概率、参考；
   贝叶斯公式、贝叶斯网络、概率的链式法则（重点理解）、参考；
   概率图模型（自学，即贝叶斯网络和马尔柯夫网络）;
3. 概率密度函数、Transformed Densities（不理解）、参考；
   最大似然估计、最大后验估计、参考；
4. 自信息：不确定性的消除；
   概率：事件的不确定性程度；
   熵、联合熵、条件熵、相对熵、交叉熵、参考
5. 导数的链式求导法则

二、下午

1. 数据、代价函数、最小化代价函数、
2. 最小二乘法（推导）、正则化、梯度下降、线性回归（FIT，拟合）
3. 线性分类、支持向量机（软间隔、hinge loss）、各种损失函数
4. 随机梯度下降、批次随机梯度下降（节约内存）
5. Adma（AdaGrad + RMSProp）（重点理解！面试必考！）
   AdaGrad：适用于稀疏梯度；当梯度较小时，下一步跑得慢；梯度较大时，下一步跑得快。
   RMSProp：自适应学习率。
6. 牛顿法：每一步梯度都由一个 xxx 矩阵确定，但是复杂度高。（自学）

7. 优化算法：分布式（中心化（工业界常用）、去中心化）、量化

   
   梯度下降矩阵计算.png

三、晚上

1. Linux（环境变量、常用命令）

man： Linux 下的帮助指令。
which：用于查找并显示给定命令的绝对路径。
free：显示当前系统未使用和已使用的内在数目。-h：以可读的方式显示。
df：显示磁盘分区上的可用空间。挂载点
top：系统的运行情况。（load：1、5、15 分钟的负载情况）

2. GPU 的基础概念
3. Docker的基础概念
4. NVIDIA Docker 的基础概念 (deepo、docker hub)
5. 实验、及相关代码

---

---

Day2

一、上午

大纲

大纲.png

1. 线性模型：单层感知机（sign -> (-1, 1)）、逻辑回归（sigmoid -> (0,1)）。

2. 决策树（详见《机器学习》)：

决策树学习基本算法

2.1. 纯度：the degree that the samples in one leaf node belong to the same class
2.2. 信息熵：平均而言发生一个事件我们得到的信息量大小。
2.3. 信息增益：熵 - 条件熵，在一个条件下，信息不确定性减少的程度。（ID3）
2.4. 增益率：惩罚参数 * 信息增益。（C4.5)
2.5. 基尼系数：是一种与信息熵类似的做特征选择的方式，可以用来数据的不纯度。（CART）

3. 集成学习（详见《机器学习》)

集成学习.png

3.1. 基分类器
3.2. 加性模型

4. AdaBoost（如何训练、合并、更新数据分布）（一堆数学公式……）

4.1. 流程：

AdaBoost 算法流程.png

4.2. 伪代码：

AdaBoost 伪代码.png
4.3. 理论分析：错误率有上界；模型自由率比较小，不容易过拟合；
4.4. AdaBoost 的局限性：等价对待正例和负例。

4.5. 解决：代价敏感学习

AdaBoost 局限性解决 - 代价敏感学习.png
4.6. AdaCost
image.png AdaCost.png

5. GBDT（基于回归树）

5.1.动机

image.png
image.png

5.2. 训练基分类器

1.png
3.png
5.3. 组合分类器：加性模型
image.png

5.4. 改变数据分布：残差。
5.5 伪代码

梯度提升算法 -伪代码.png
GBDT 伪代码（第 3 步）.png

6. XGBoost

6.1. 过拟合、欠投合、偏差、方差

新的目标函数.png

6.2. XGBoost 目标函数

XGBoost 目标函数.png
6.3. How to learn? （……一堆公式+一堆例子，这一部分完全没听懂）

7. 剪枝、正则化

image.png

8.准确度

image.png

9.总结

image.png

10. 附件： XGBoost的实验手册、调参

---

二、下午

大纲

day02 下午大纲.png
照片的形成.png
像素值相关.png
图片存储.png
没怎么听……不太感兴趣……

---

三、晚上

如何做实验及管理实验

1. Research Workflow

工作流程.png

2.模型设计

Model Design.png

3. 训练数据

Training Data.png

4. 目录结构

Directory Structure.png

checkpoints：用来保存中间结果。
opts（即 configure）：放所有超参数等各种设置。
main：训练和测试的代码。

5. 命名及注释

train and annotation.png

6. 管理结果

Result Management.png

---

---

---

Day6

一、上午 推荐系统

1. 流程

推荐系统工作流程.png

2. 协同过滤：过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。

协同过滤.png

2.1. 协同过滤分类

协同过滤分类.png

2.2. 协同过滤的基本方法

image.png

3. User-based 模型

User-based 模型.png

3.1. 基本问题

User-based 模型的三个基本问题.png

3.1.1 相似度（套一个PCC公式，皮尔森）

相似度计算.png
3.1.2. 计算总分
总分.png
3.1.3. 取几个近邻（经验值）
近邻数.png

3.2. 模型的优化

User-based 模型优化，近邻算法.png
3.3 模型分析
image.png

4. Item-based 模型

4.1 模型的直观理解：利用其他相似值相同的 item，来评估 target item。

image.png

4.2 相似度计算：PCC 或者 余弦相似度

image.png
4.3 预测
[图片上传失败...(image-749553-1532742673361)]

4.4 优势：可以做离线预测。

5. 以上两个模型的基本问题：冷启动（content-based, 迁移学习）

image.png

6. Model-based 模型（难）

推荐的论文.png
使用 SVD 去 xxx.png
矩阵的评估.png

7. 聚类模型

image.png

8. 概率模型

[图片上传中...(image.png-952044-1532744092074-0)]

9. 分类模型

image.png

10. content-based 模型

image.png

11. learn to rank

image.png

二、Deep learning for RS

1.主流模型

image.png
image.png
image.png
image.png