机器学习基础

介绍概率分布的基本概念，包括联合概率分布、边缘概率分布、条件概率分布、全概率公式、贝叶斯公式及极大后验假设等内容

介绍朴素贝叶斯分类器的基本概念、查询似然模型、基于翻译的语言模型及基于 KL 距离模型等内容

介绍信息熵的基本概念，包括信息量、信息熵、联合熵、条件熵、交叉熵、KL 散度及互信息等内容

介绍隐马尔可夫模型的基本概念，包括模型定义、核心假设、示例应用及三个基本问题等内容

介绍 Word2Vec 的基本概念、模型结构、训练方法及应用等内容

介绍机器学习的基本概念、发展历程、主要方法及应用领域等内容

介绍深度学习的基本概念，包括深度学习的定义、核心思想、优化器、前馈神经网络、反向传播及激活函数等内容

介绍卷积神经网络的基本概念，包括卷积层、池化层、局部响应归一化、批归一化、正则化方法及 TextCNN 等内容

介绍循环神经网络的基本概念，包括RNN的结构、训练方法、长短期记忆网络（LSTM）及门控循环单元（GRU）等内容

介绍 Transformer 模型的基本概念，包括注意力机制、Transformer 结构、GPT、BERT、T5 和 RoBERTa 等内容