贪心学院机器学习课程全目录：从入门到实战精华

本课程涵盖机器学习核心内容，包括凸集与凸函数、运输问题、投资组合优化、集合覆盖问题、对偶性及KKT条件等基础理论。接着讲解SVM的直观理解、数学模型、松弛变量与核函数，并涉及SMO解法及多类别支持。课程还覆盖核方法如核线性回归、核PCA，以及交叉验证、VC维等评估技术。实战部分包括LP问题、人脸识别结合交叉验证、PCA与LDA原理应用、Softmax与交叉熵、核逻辑回归等。集成学习部分涵盖投票、Bagging、Boosting、随机森林、Stacking，以及决策树、XGBoost、LightGBM详解。聚类算法包括K-Means、EM算法、高斯混合模型、DBSCAN。自然语言处理部分涉及HMM中文分词、图模型、隐马尔可夫模型、Viterbi算法、线性CRF、命名实体识别。深度学习从神经网络历史、前向与反向传播、矩阵求导到卷积神经网络（CNN）结构、Inception、ResNet、MobileNet、ShuffleNet。过拟合对策包括Dropout、正则化、批归一化。优化方法涵盖梯度下降变体及注意力机制。最后讲解RNN、LSTM、GRU及语言模型应用。