上海市信息水平考试四级大纲#
目录#
1. 机器学习#
1.1. 模型评估与选择#
1.1.1. 过拟合、欠拟合#
掌握
1.1.2. 偏差与方差#
掌握
1.1.3. 评估方法#
掌握
1.1.4. 性能度量#
掌握
1.2. 线性模型#
1.2.1. 线性回归#
掌握
1.2.2. 逻辑回归#
掌握
1.2.3. 线性判别分析（LDA）#
掌握
1.2.4. 类别不平衡问题#
掌握
1.2.5. 应用与计算#
综合应用
1.3. 决策树#
1.3.1. 算法原理#
掌握
1.3.2. 增益率#
理解
1.3.3. 划分选择#
理解
1.3.4. 应用与计算#
综合应用
1.4. 支持向量机#
1.4.1. 算法原理#
掌握
1.4.2. 核函数与核方法#
掌握
1.4.3. 间隔与软间隔#
理解
1.4.4. 应用与计算#
综合应用
1.5. 贝叶斯分类#
1.5.1. 算法原理#
掌握
1.5.2. 极大似然估计#
理解
1.5.3. 朴素贝叶斯分类器#
掌握
1.5.4. 应用与计算#
综合应用
1.6. 神经网络#
1.6.1. 神经元和感知机#
了解
1.6.2. 常见网络类型#
掌握
1.6.3. 常见网络结构#
掌握
1.6.4. 激活函数#
掌握
1.6.5. 代价函数#
掌握
1.6.6. 优化策略#
理解
1.6.7. 正则化#
掌握
1.6.8. 应用与计算#
综合应用
1.7. 聚类#
1.7.1. K-Means#
综合应用
1.7.2. 性能度量指标#
理解
1.7.3. 距离计算方法#
理解
1.8. 降维#
1.8.1. K 近邻（KNN）#
综合应用
1.8.2. 主成分分析（PCA）#
掌握
1.8.3. 核主成分分析（KPCA）#
掌握
1.9. 稀疏学习#
1.9.1. 稀疏表示#
理解
1.9.2. 压缩感知#
理解
1.9.3. 剪枝#
掌握
1.10. 集成学习#
1.10.1. Boosting#
掌握
1.10.2. Bagging#
掌握
1.10.3. 随机森林#
掌握
1.10.4. 结合策略（Stacking）#
理解
1.11. 计算学习理论#
1.11.1. PAC 学习#
了解
1.11.2. VC 维#
理解
1.11.3. Rademacher 复杂度#
理解
1.11.4. 稳定性分析#
理解
1.12. 优化理论#
1.12.1. 遗传算法#
了解
1.12.2. 梯度下降法#
综合应用
1.12.3. 反向传播算法#
掌握
1.12.4. 全局最小和局部极小#
掌握
1.13. 其它相关算法#
1.13.1. 半监督学习#
掌握
1.13.2. 规则学习#
了解
1.13.3. 强化学习#
掌握