# 学习知识图谱结构图

## 🧠 机器学习知识体系

```
机器学习
├── 统计学习
│   ├── 监督学习
│   │   ├── 分类算法
│   │   │   ├── 感知机
│   │   │   ├── kNN
│   │   │   ├── 决策树
│   │   │   ├── 逻辑回归
│   │   │   ├── 支持向量机
│   │   │   └── 提升方法(AdaBoost, GBDT)
│   │   ├── 回归算法
│   │   └── 序列标注
│   │       ├── 隐马尔可夫模型(HMM)
│   │       └── 条件随机场(CRF)
│   ├── 无监督学习
│   │   ├── 聚类
│   │   │   ├── K-Means
│   │   │   ├── 层次聚类
│   │   │   └── 密度聚类
│   │   └── 降维
│   └── 统学习特性
│       ├── 概率模型
│       ├── 损失函数选择
│       └── 模型选择与正则化
│
├── 深度学习
│   ├── 基础网络
│   │   ├── 反向传播
│   │   ├── 手动求导
│   │   ├── 自动求导框架
│   │   └── 优化算法(SGD/Adam)
│   ├── 卷积神经网络(CNN)
│   │   ├── 卷积层
│   │   ├── 池化层
│   │   ├── 常见架构
│   │   │   ├── LeNet
│   │   │   ├── AlexNet
│   │   │   ├── VGG
│   │   │   └── ResNet
│   │   └── 应用
│   │       ├── 计算机视觉
│   │       ├── 目标检测
│   │       └── 图像分割
│   ├── 序列模型
│   │   ├── RNN/LSTM
│   │   ├── Seq2Seq
│   │   ├── 注意力机制
│   │   └── Transformer
│   ├── 高级主题
│   │   ├── 计算性能优化
│   │   ├── 分布式训练
│   │   ├── 模型压缩
│   │   └── 部署与推理
│
└── 强化学习
    ├── 基础理论
    │   ├── 马尔可夫决策过程(MDP)
    │   ├── 状态值函数
    │   ├── 贝尔曼方程
    │   └── 策略
    ├── 传统方法
    │   ├── 动态规划
    │   │   ├── 值迭代
    │   │   └── 策略迭代
    │   ├── 蒙特卡洛方法(MC)
    │   └── 时序差分(TD)
    │
    ├── 策略梯度方法
    │   ├── REINFORCE
    │   ├── Actor-Critic
    │   │   ├── AC
    │   │   ├── A3C/A2C
    │   │   ├── PPO
    │   │   └── DPO
    │   └── 高级算法
    │
    └── 应用场景
        ├── 游戏AI
        ├── 机器人控制
        ├── 推荐系统
        └── 自动驾驶
```

## 🎯 学习目标

### 基础层(第1周)
- 理解机器学习基本概念
- 掌握统计学习方法
- 熟悉深度学习框架

### 进阶层(第2周)
- 深入理解CNN原理
- 学习强化学习基础
- 完成实践项目

### 应用层(第3周)
- 结合三套教材
- 整合知识图谱
- 建立学习方法体系

---

**图表说明**:
- 📊 实线连接表示直接依赖或同一分类
- 🔗 虚线连接表示可组合使用
- ⬆️ 表示可以组合为高级算法